Olfa Kharrat, ผู้อำนวยการฝ่ายการจัดการผลิตภัณฑ์ - Agentforce
Reinier van Leuken, ผู้อำนวยการอาวุโสฝ่ายการจัดการผลิตภัณฑ์ - Agentforce
สารบัญ
องค์ประกอบพื้นฐานและการให้เหตุผลแบบตัวแทนของ Agentforce
การกำหนดระดับของการควบคุมตัวแทน
การควบคุมตัวแทนระดับ 1: การใช้เหตุผลกับการเลือกการดำเนินการเกี่ยวกับประเด็นและพร้อมท์แบบไม่มีคำสั่ง
การควบคุมตัวแทนระดับ 2: คำสั่ง
การควบคุมตัวแทนระดับ 3: การสร้างรากฐาน
การควบคุมตัวแทนระดับ 4: ตัวแปร
การควบคุมตัวแทนระดับ 5: การดำเนินการที่นิยัตินิยม
การควบคุมตัวแทนระดับ 6: การควบคุมที่นิยัตินิยมด้วยสคริปต์ของตัวแทน
บทนำ
ความไว้วางใจถือเป็นค่านิยมอันดับ 1 ของ Salesforce นับตั้งแต่ก่อตั้งขึ้นในปี 1999 โดยเป็นผู้บุกเบิกรูปแบบเทคโนโลยีใหม่ของคลาวด์คอมพิวติ้งและ SaaS ธุรกิจมอบความไว้วางใจให้แก่ Salesforce ในการจัดเก็บข้อมูลบริษัทที่มีค่าไว้ในระบบคลาวด์ ซึ่งรู้ว่าข้อมูลนี้จะปลอดภัยและอยู่ภายใต้การควบคุมการเข้าถึงที่เหมาะสม แม้ว่าจะยังคงเป็นสิ่งสำคัญ แต่ในยุคของ Agentic AI คำจำกัดความของความไว้วางใจนั้นกว้างกว่าที่เคย เมื่อบริษัทต่างๆ พึ่งพาตัวแทนอัตโนมัติในการดำเนินธุรกิจที่สำคัญมากขึ้น ตัวแทนจะต้องกลายเป็นคู่ค้าทางธุรกิจที่เชื่อถือได้ ซึ่งมีการทำงานที่แม่น ยำเกี่ยวข้อง และส่วนใหญ่เชื่อถือได้
แล้วเราจะสร้างตัวแทนที่เชื่อถือได้ได้ได้อย่างไร ความน่าเชื่อถือโดยทั่วไปหมายถึงการให้ผลลัพธ์เดียวกันสำหรับอินพุตเดียวกัน อย่างไรก็ตาม ตัวแทนไม่จำเป็นต้องทำงานแบบนั้น เนื่องจากตัวแทนได้รับการขับเคลื่อนด้วยโมเดลภาษาขนาดใหญ่ (LLM) ซึ่งโดยธรรมชาติแล้วไม่ได้เป็นนิยัตินิยม ซึ่งช่วยให้ตัวแทนมีความคล่องตัวในการพัฒนาโซลูชันที่สร้างสรรค์ เหมาะกับสถานการณ์เฉพาะโดยไม่จำเป็นต้องเขียนโปรแกรมตามแต่ละเงื่อนไขหรือสถานการณ์ที่พบอย่างชัดเจน อย่างไรก็ตาม ตัวแทนยังต้องการการกำกับดูแลเพื่อให้สอดคล้องกับข้อกำหนดทางธุรกิจและปฏิบัติตามแนวทางการดำเนินงาน เมื่อดำเนินการตามกระบวนการทางธุรกิจ ตัวแทนจะต้องแสดงให้เห็นถึงความน่าเชื่อถือและสร้างผลลัพธ์ทางธุรกิจที่สอดคล้องกับข้อจำกัดของนิยัตินิยม นิยัตินิยมกำหนดความแข็งแกร่งและมีวินัยที่สอดคล้องกับความเป็นอิสระและความคล่องตัวที่ตัวแทนมอบให้ ดังนั้นกุญแจสำคัญในการสร้างตัวแทนที่ประสบความสำเร็จ คือการสร้างสมดุลที่เหมาะสมระหว่างความคล่องตัวของความคิดสร้างสรรค์และการควบคุมระดับองค์กร
เอกสารนี้กล่าวถึงข้อควรพิจารณาที่สำคัญในการพัฒนาตัวแทนที่เชื่อถือได้ โดยมีการกำหนดระดับการควบคุมตัวแทนไว้ 6 ระดับ และให้แนวทางปฏิบัติที่ดีที่สุดสำหรับการรับและรักษาการควบคุมรูปแบบการทำงานของตัวแทนสำหรับแต่ละระดับเหล่านี้ แนวทางจะกล่าวถึงวิธีการทำงานของกลไกการประมวลผลโดยการใช้ตรรกะและกฎเกณฑ์ของ Agentforce เมื่อ Agentforce มีการพัฒนาให้ดียิ่ง จะมีการอัปเดตเอกสารฉบับนี้เพื่อให้สอดคล้องกับแนวทางปฏิบัติที่ดีที่สุดล่าสุด
เอกสารนี้จะสมมติว่ามีความคุ้นเคยกับการออกแบบและการสร้างตัวแทน Agentforce เป็นพื้นฐาน สำหรับบทนำ Agentforce เราขอแนะนำสิ่งต่อไปนี้:
- ตรวจสอบทรัพยากรบน agentforce.com
- ติดตามเส้นทางสู่การเป็น Agentblazer Champion เส้นทางนี้จะสำรวจแนวคิดหลักของ AI และช่วยให้คุณสร้างตัวแทนพื้นฐานสำหรับงานสำคัญ
- อ่านข้อมูลเพิ่มเติมเกี่ยวกับ Agentforce ได้บน help.salesforce.com โดยเฉพาะการออกแบบและนำตัวแทนไปใช้ แผนที่การเรียนรู้นี้จะแนะนำคุณตลอดทุกขั้นตอนสำคัญของวงจรชีวิต นับตั้งแต่การสร้างโซลูชัน การตั้งค่าและกำหนดค่าตัวแทน การทดสอบ การปรับใช้ และการตรวจสอบ
ตัวแทนเทียบกับแชทบอท
หากต้องการทำความเข้าใจพฤติกรรมของตัวแทนให้ดีขึ้น อันดับแรกเรามาเปรียบเทียบตัวแทนกับคู่แข่งที่แข็งแกร่ง: แชทบอท
แชทบอท: ผู้ปฏิบัติตามกฎที่เข้มงวด
แชทบอทปฏิบัติตามแผนผังการตัดสินใจที่กำหนดไว้ล่วงหน้า ซึ่งกำหนดโครงสร้างบทสนทนาที่สามารถเข้าร่วมได้ การเดินทางผ่านแผนผังการตัดสินใจเหล่านี้จะขึ้นอยู่กับคำตอบที่ผู้ใช้ได้รับ คำตอบนี้อาจเป็นการเลือกจากชุดตัวเลือกที่กำหนดไว้ล่วงหน้า หรืออาจเป็นคำตอบแบบข้อความอิสระก็ได้ ในกรณีที่ตอบข้อความอิสระ โมเดลเชิงคาดการณ์จะถูกใช้ในการจำแนกประเภทจุดประสงค์ แผนผังเหล่านี้จะแมปเส้นทางการสนทนาที่มีโอกาสทั้งหมด และกำหนดการตอบสนองของแชทบอทในแต่ละขั้นตอน พฤติกรรมของแชทบอทได้รับการกำหนดอย่างเข้มงวดโดยกฎที่ตั้งไว้ล่วงหน้า หากข้อมูลที่ผู้ใช้ป้อนไม่ตรงกับเส้นทางที่รู้จักหรือหากโมเดลเชิงคาดการณ์ไม่ได้รับการฝึกฦฯให้จดจำจุดประสงค์บางอย่าง แชทบอทจะไม่สามารถตอบสนองอย่างเหมาะสม
ตัวแทน: ปรับตัวและใช้งานง่าย
ในทางกลับกัน ตัวแทนใช้ประโยชน์จากพลังของ LLM และความสามารถขั้นสูงในการประมวลผลภาษาธรรมชาติ (NLP) LLM ช่วยให้ตัวแทนสามารถเข้าใจจุดประสงค์เบื้องหลังอินพุตของผู้ใช้ได้ แม้ว่าจะใช้คำที่คาดไม่ถึงก็ตาม ตัวแทนสามารถเลือกการดำเนินการที่เหมาะสมที่สุดจากความเป็นไปได้หลากหลายรูปแบบ ตามความเข้าใจในจุดประสงค์ ตัวแทนสามารถแม้แต่ประมวลผลคำตอบทั้งหมดใหม่ได้ ความยืดหยุ่นและความสามารถในการปรับตัวนี้ทำให้ตัวแทนแตกต่างจากแชทบอท
การเปรียบเทียบกับการทำอาหาร
ความแตกต่างระหว่างแชทบอทและตัวแทนสามารถเปรียบได้กับความแตกต่างระหว่างพ่อครัวมือใหม่และเชฟที่มีประสบการณ์
- พ่อครัวมือใหม่ (แชทบอท) อาศัยสูตรโดยละเอียดอย่างมากพร้อมด้วยการชั่งตวงที่แม่นยำ คำแนะนำทีละขั้นตอน และเวลาในการปรุงอาหารที่เจาะจง การเบี่ยงเบนใดๆ จากสูตรส่งผลให้เกิดหายนะในการทำอาหาร ในทำนองเดียวกัน แชทบอทจะต้องทำงานภายในขอบเขตของแผนผังการตัดสินใจที่ตั้งโปรแกรมไว้ล่วงหน้า
- เชฟที่มีประสบการณ์ (ตัวแทน) มีประสบการณ์ละสัญชาตญาณในการทำอาหารแมานานหลายปี เมื่อมีความเข้าใจทั่วไปเกี่ยวกับความต้องการของคุณและคำอธิบายโดยย่อเกี่ยวกับส่วนผสมที่มีอยู่แล้ว เชฟจะสามารถทำอาหารเลิศรสที่ตรงกับความต้องการของคุณได้ ขั้นตอนที่แน่นอนอาจแตกต่างกันไปในแต่ละครั้ง และแต่ละจานก็อาจมีความแตกต่างกันเล็กน้อยแต่ผลลัพธ์โดยรวมก็น่าพึงพอใจอย่างสม่ำเสมอ ในทำนองเดียวกันตัวแทนสามารถปรับเปลี่ยนแนวทางตามบริบทและจุดประสงค์ของอินพุตที่ผู้ใช้ป้อน ส่งผลให้การโต้ตอบประสบความสำเร็จ
โดยสรุปความแตกต่างพื้นฐานระหว่างตัวแทนและแชทบอทอยู่ที่ความสามารถในการปรับตัวและความสามารถในการจัดการกับข้อมูลที่ไม่คาดคิด
องค์ประกอบพื้นฐานและการให้เหตุผลแบบตัวแทนของ Agentforce
ฟีเจอร์ที่โดดเด่นของระบบอัจฉริยะของตัวแทนอยู่ที่ความสามารถในการจัดการและเรียกใช้การดำเนินการที่เหมาะสมที่สุดในช่วงเวลาที่พอเหมาะ ความยืดหยุ่นนี้ช่วยลดความจำเป็นในการเขียนโปรแกรมให้ครอบคลุมทุกการโต้ตอบของผู้ใช้ที่มีโอกาส
องค์ประกอบพื้นฐาน
ใน Agentforce การสร้างตัวแทนเกี่ยวข้องกับหัวข้อ การดำเนินการ และคำสั่งและคำอธิบายในภาษาธรรมชาติ
หัวข้อ
หัวข้อคือ " งานที่ต้องทำ " สำหรับตัวแทน หัวข้อมีแอตทริบิวต์ เช่นคำอธิบายการจำแนกประเภท ขอบเขต และคำสั่งที่กำหนดงานแต่ละงาน รวมถึงวิธีการดำเนินการให้เสร็จสิ้น หัวข้อมีการดำเนินการที่ตัวแทนสามารถดำเนินการได้ พร้อมกับคำสั่งที่ควบคุมวิธีการดำเนินการเหล่านี้
การดำเนินการ
การดำเนินการเป็นงานที่กำหนดไว้ล่วงหน้าที่ตัวแทนสามารถดำเนินการเพื่อทำงานของตนได้ การดำเนินการมี 5 ประเภทที่แตกต่างกัน:
- ดำเนินการโค้ด Apex
- เรียกใช้ API
- ดำเนินการตามโฟลว์
- รับการตอบสนอง LLM ต่อแม่แบบพร้อมท์
- เรียกใช้โมเดลเชิงคาดการณ์
คำสั่งและคำอธิบายภาษาธรรมชาติ
คำจำกัดความของตัวแทนประกอบด้วยคำสั่งภาษาธรรมชาติที่อธิบายถึงแอสเซทของตัวแทน และกำหนดแนวทางที่ตัวแทนจะต้องดำเนินการ คำสั่งถูกเขียนขึ้นสำหรับการดำเนินการและหัวข้อ
- การดำเนินการ การดำเนินการประกอบด้วย:
- คำสั่งที่อธิบายถึงสิ่งที่การดำเนินการนั้นทำ จะบอกกลไกการประมวลผลโดยการใช้ตรรกะและกฎเกณฑ์ว่าควรดำเนินการนี้เมื่อใด
- อินพุตพร้อมคำอธิบายภาษาธรรมชาติเพื่อให้ตัวแทนสามารถเตรียมการได้
- เอาต์พุตพร้อมคำอธิบายภาษาธรรมชาติเกี่ยวกับวิธีการจัดรูปแบบและใช้งาน
- หัวข้อ หัวข้อมีคำสั่งที่ควบคุมวิธีการดำเนินการในระดับที่สูงกว่า เช่น คำสั่งสามารถระบุแนวทางป้องกันเกี่ยวกับน้ำเสียง ลำดับการดำเนินการที่ต้องการ ข้อกำหนดเบื้องต้นที่เป็นไปได้ หรือเมื่อใดจึงจะส่งต่อการสนทนาให้กับมนุษย์ หัวข้อยังมีคำอธิบายการจำแนกประเภทและการวิเคราะห์ขอบเขตอีกด้วย ทั้งหมดนี้ช่วยให้มั่นใจได้ว่าตัวแทนจะอยู่ในขอบเขตของบทบาทที่กำหนดไว้และดำเนินงาน
- ข้อมูล ตัวแทนต้องการข้อมูลเพื่อทำให้งานของตนสำเร็จ ข้อมูลสามารถมีโครงสร้าง เช่น ข้อมูล CRM หรือไม่มีโครงสร้าง เช่น บทความความรู้ของบริษัท ตัวแทนเข้าถึงข้อมูลโดยใช้อินพุตการดำเนินการ เช่น การดำเนินการสามารถเรียกใช้แม่แบบพร้อมท์ที่มีพื้นฐานมาจากข้อมูล CRM หรือเสริมด้วยข้อมูลที่ไม่มีโครงสร้างจำนวนมากโดยใช้เทคนิค RAG
เมื่อสร้างองค์ประกอบพื้นฐานเหล่านี้อย่างถูกต้องจะช่วยให้ตัวแทนดำเนินการตามวัตถุประสงค์ที่ตั้งใจ พร้อมกับดำเนินการภายในขอบเขตที่เหมาะสม
กลไกการประมวลผลโดยการใช้ตรรกะและกฎเกณฑ์
กลไกการประมวลผลโดยการใช้ตรรกะและกฎเกณฑ์ของ Agentforce จะจัดองค์ประกอบพื้นฐานเหล่านี้ให้เป็นพฤติกรรมตัวแทนที่ถูกต้อง โดยใช้ประโยชน์จากคำสั่งและคำอธิบายภาษาธรรมชาติที่กำหนดไว้ในหัวข้อและการดำเนินการ ต่อยอดจาก ReAct ซึ่งเป็นกระบวนทัศน์การใช้ตรรกะและกฎเกณฑ์ใหม่สำหรับ LLM ที่เปิดตัวในปี 2022 โดย Yao และคณะ กระบวนทัศน์นี้เลียนแบบการจัดการงานของมนุษย์ด้วยกการใช้ตรรกะและกฎเกณฑ์เกี่ยวกับปัญหา ดำเนินการ สังเกตผลลัพธ์ของการดำเนินการ และทำซ้ำวงจรจนกว่างานจะเสร็จสมบูรณ์
ตัวแทน Salesforce ปฏิบัติตามกระบวนทัศน์นี้:
- เหตุผล: ทำความเข้าใจจุดประสงค์ของผู้ใช้และปรับให้สอดคล้องกับหัวข้อและการดำเนินการที่ถูกต้อง
- ดำเนินการ: เริ่มต้นห่วงโซ่การดำเนินการที่ถูกต้อง
- สังเกต: ประเมินผลลัพธ์การดำเนินการตามจุดประสงค์ของผู้ใช้ หากยังไม่บรรลุจุดประสงค์ ให้ใช้เหตุผลเพิ่มเติมตามผลลัพธ์ที่ได้รับจนถึงขณะนี้ และทำตามคำสั่งและคำอธิบายหัวข้อ/การดำเนินการ หากบรรลุจุดประสงค์แล้ว ให้ตอบกลับครั้งสุดท้ายพร้อมกับปฏิบัติตามคำสั่งการจัดรูปแบบที่เป็นไปได้
- ทำซ้ำ: ทำซ้ำขั้นตอนเหล่านี้จนกว่าจะถึงขั้นตอนที่ได้รับคำสั่งขั้นสุดท้าย
กลไกการประมวลผลโดยการใช้ตรรกะและกฎเกณฑ์ใช้ LLM ในทุกขั้นตอนเหตุผลและสังเกต นอกจากนี้ยังสามารถใช้ LLM ในขั้นตอนดำเนินการได้ โดยขึ้นอยู่กับประเภทการดำเนินการ
การกำหนดระดับของการควบคุมตัวแทน
ส่วนนี้จะกล่าวถึงแนวทางแบบเป็นเลเยอร์เพื่อปรับปรุงนิยัตินิยมของตัวแทน แต่ละระดับจะต่อยอดจากระดับก่อนหน้า โดยมีความซับซ้อนและความสามารถที่เพิ่มขึ้นซึ่งจะทำให้สามารถควบคุมพฤติกรรมของตัวแทนได้มากขึ้น
1. การใช้เหตุผลกับการเลือกการดำเนินการเกี่ยวกับประเด็นและพร้อมท์แบบไม่มีคำสั่ง
ระดับแรกมุ่งเน้นไปที่การช่วยให้ตัวแทนสามารถระบุหัวข้อที่เกี่ยวข้องได้โดยอัตโนมัติ จากนั้นเลือกการดำเนินการที่เหมาะสมโดยใช้เป้าหมายแทนที่จะใช้คำสั่งที่ชัดเจน กลไกหลักเกี่ยวข้องกับการใช้การทำความเข้าใจบริบทเพื่อตอบสนองต่ออินพุตของผู้ใช้ แม้ว่าในทางเทคนิคแล้วจะสามารถเพิ่มการดำเนินการได้ทุกประเภท แต่ในระดับนี้เราจะถือว่าการดำเนินการเป็นการดำเนินการพร้อมท์ หัวข้อที่ไม่ต้องมีคำสั่งพร้อมการดำเนินการพร้อมท์จะช่วยให้จัดการกับคำถามทั่วไปได้อย่างรวดเร็วและมีประสิทธิภาพ
ในระดับนี้ การเน้นที่การสร้างระดับพื้นฐานของการตอบสนองของตัวแทนและความเป็นอิสระผ่านความเข้าใจแบบไดนามิก
2. คำสั่งของตัวแทน
สร้างขึ้นจากพื้นฐานของการเลือกการดำเนินการที่ไม่ต้องใช้คำสั่ง ซึ่งทำให้ระดับนี้จะใช้คำสั่งที่ชัดเจนเพื่อเป็นแนวทางให้กับพฤติกรรมของตัวแทน การเพิ่มคำสั่งที่แม่นยำจะช่วยเพิ่มการควบคุมวิธีที่ตัวแทนตอบสนองต่อสถานการณ์ที่แตกต่างกัน คำสั่งที่ส่งไปยังตัวแทนสามารถแสดงเป็นกฎ แนวปฏิบัติ แนวทางป้องกัน และตัวอย่างได้ สิ่งเหล่านี้ช่วยให้ตัวแทนมีทิศทางที่เฉพาะเจาะจงเกี่ยวกับวิธีการจัดการหัวข้อ ดำเนินการ และประมวลผลเอาต์พุตของตน เป้าหมายสำหรับระดับนี้คือการให้คำแนะนำที่ชัดเจนแก่ตัวแทน เพื่อเพิ่มความสม่ำเสมอและปรับปรุงการปฏิบัติตามแนวทางและกระบวนการของบริษัท
3. การสร้างรากฐานข้อมูล
การสร้างรากฐานเกี่ยวข้องกับการเชื่อมโยงความเข้าใจและการตอบสนองต่อของตัวแทนเข้ากับแหล่งความรู้ภายนอก การสร้างรากฐานช่วยให้แน่ใจว่าข้อมูลที่ตัวแทนให้มานั้นมีความแม่นยำ เป็นปัจจุบัน และเกี่ยวข้องมากขึ้น ระดับนี้จะผสานรวมการเข้าถึงฐานข้อมูล, ฐาน Knowledge และที่เก็บข้อมูลอื่นๆ การสร้างรากฐานการตอบสนองของตัวแทนในข้อมูลที่ได้รับการยืนยัน จะช่วยเพิ่มความมั่นคงและความน่าเชื่อถือ
4. ตัวแปรของตัวแทน
ระดับนี้จะเพิ่มความสามารถให้ตัวแทนทำงานกับตัวแปร ตัวแปรช่วยให้ตัวแทนสามารถปรับแต่งการโต้ตอบ รักษาบริบทในการโต้ตอบหลายครั้ง และปรับเปลี่ยนพฤติกรรมแบบไดนามิกตามจุดข้อมูลเฉพาะที่เก็บรักษาไว้ในระหว่างเซสชันของตัวแทน ตัวอย่างเช่น ตัวแทนสามารถบันทึกการตั้งค่าของผู้ใช้ รายละเอียดคำสั่งซื้อ และข้อมูลที่เกี่ยวข้องอื่นๆ จากนั้นใช้ข้อมูลนั้นเพื่อปรับแต่งการโต้ตอบ ตัวแปรจะช่วยให้ตัวแทนจะสามารถจัดการกับการโต้ตอบที่ซับซ้อน มีข้อกำหนดมากขึ้น และเป็นแบบเฉพาะบุคคลมากขึ้นได้ดีขึ้น
5. การดำเนินการของ Apex, API และโฟลว์
ขั้นตอนนี้คือการผสานการทำงานของตัวแทนกับฟังก์ชั่นหลักของ Salesforce นั่นคือ Apex, API และโฟลว์ การผสานการทำงานช่วยให้ตัวแทนสามารถใช้การดำเนินการที่ซับซ้อนภายในระบบนิเวศ Salesforce ได้ เช่น การเข้าถึงและจัดการข้อมูล การทริกเกอร์เวิร์กโฟลว์ และการโต้ตอบกับระบบอื่น ๆ
- Apex ให้การควบคุมแบบเป็นโปรแกรม
- API ช่วยให้บูรณาการกับแอปพลิเคชันอื่นๆ ได้อย่างราบรื่น
- โฟลว์ทำให้กระบวนการทางธุรกิจที่ซับซ้อนเป็นระบบอัตโนมัติได้
ที่ระดับนี้จะเปลี่ยนตัวแทนให้เป็นเครื่องมืออันทรงพลังที่สามารถดำเนินการงานที่ซับซ้อนและมีส่วนร่วมโดยตรงต่อผลลัพธ์ทางธุรกิจ
6. สคริปต์ของตัวแทน
ระดับสุดท้ายนี้จะเป็นการต่อยอดมาจากการผสานการทำงานทางเทคนิคของทั้ง 5 ระดับ โดยจะนำการใช้เหตุผลที่นิยัตินิยมมาเชื่อมช่องว่างระหว่าง AI ที่ใช้ความน่าจะเป็นและตรรกะทางธุรกิจที่เข้มงวด แม้ว่าระดับก่อนหน้าจะต้องอาศัย LLM ในการตัดสินใจว่าจะใช้เครื่องมือใด แต่สคริปต์ของตัวแทนจะช่วยให้คุณ "กำหนด" กระบวนการให้เหตุผลได้ด้วยตนเอง โดยการใช้ผืนผ้าใบสไตล์เอกสารหรือโค้ดโดยตรง ช่วยให้คุณสามารถกำหนดเส้นทางที่ไม่สามารถเปลี่ยนรูปได้ เช่น ประตูการตรวจสอบสิทธิ์ที่จำเป็น การแยกสาขาตามเงื่อนไขแบบ IF/ELSE และการเปลี่ยนประเด็นแบบบังคับ ซึ่งตัวแทนจะต้องปฏิบัติตามไม่ว่าอินพุตของผู้ใช้จะเป็นอย่างไรก็ตาม แนวทางการใช้เหตุผลแบบไฮบริดนี้ช่วยให้คุณจัดการกับความยืดหยุ่นในการสนทนาของ LLM ระหว่างชั้นของการดำเนินการที่รับประกันได้ ระดับ 6 เปลี่ยนตัวแทนให้เป็นพาร์ทเนอร์ระดับองค์กรแบบ zero-trust ซึ่งจัดการกับการปฏิบัติตามข้อบังคับที่มีความเสี่ยงสูง การเปิดเผยข้อมูลตามกฎระเบียบ และการพึ่งพาหลายขั้นตอนที่ซับซ้อนได้อย่างแม่นยำ
การควบคุมตัวแทนระดับ 1: การใช้เหตุผลกับการเลือกการดำเนินการเกี่ยวกับประเด็นและพร้อมท์แบบไม่มีคำสั่ง
เริ่มต้นด้วยพื้นฐานของการตอบสนองและความเป็นอิสระของตัวแทน พิจารณาตัวแทนที่ประกอบด้วยหัวข้อและการดำเนินการเท่านั้น พร้อมคำอธิบายที่สอดคล้องกัน เราสามารถใช้ตัวแทนในตัวอย่างนี้เพื่อใช้ขั้นตอนต่างๆ ของกลไกการประมวลผลโดยการใช้ตรรกะและกฎเกณฑ์ และเพื่อแสดงให้เห็นว่าจะใช้ประโยชน์จากคำอธิบายเหล่านี้เพื่อเลือกหัวข้อที่ถูกต้องแล้วดำเนินการอย่างไร การละเว้นคำสั่งหัวข้อจากตัวอย่างนี้ จะทำให้เราสามารถสังเกตได้ว่าตัวแทนในระดับแรกนี้มีระดับความเป็นอิสระมากที่สุดเมื่อเทียบกับตัวแทนในระดับที่สูงกว่า ในระดับที่หนึ่ง ตัวแทนมีอิสระอย่างสมบูรณ์ในการเลือกการดำเนินการที่คิดว่าเหมาะสมโดยอิงจากการสนทนาที่กำลังดำเนินอยู่เท่านั้น
| กิจกรรม | ขั้นตอนต่างๆ | คำอธิบาย |
|---|---|---|
| การเรียกใช้ตัวแทน | 1 | ตัวแทนถูกเรียกใช้ |
| จัดประเภทประเด็น | 2-3 | กลไกจะวิเคราะห์ข้อความของลูกค้าและจับคู่กับประเด็นที่เหมาะสมที่สุด โดยอิงตามชื่อประเด็นและคำอธิบายการจำแนกประเภท สคริปต์ของตัวแทนจะแปลงตัวเลือกประเด็นให้เป็นองค์ประกอบที่กำหนดค่าได้ ขจัด "กล่องดำ" ของการกำหนดเส้นทาง LLM แบบใช้ความน่าจะเป็น การจัดการการนำทางในฐานะประเด็นที่ตั้งโปรแกรมได้ จะทำให้คุณมีความโปร่งใสและการควบคุมอย่างสมบูรณ์ ช่วยให้คุณสามารถปรับตรรกะการตัดสินใจของตัวแทนให้สอดคล้องกับข้อกำหนดทางธุรกิจและมาตรฐานทางสถาปัตยกรรมของคุณได้อย่างแม่นยำ |
| ดำเนินการสคริปต์ของตัวแทนของประเด็น และสร้างคำสั่ง/แก้ไขคำสั่งและการดำเนินการที่มีอยู่ | 4-5 | ดำเนินการตามคำสั่งที่กำหนดไว้ในสคริปต์ เป็นการดำเนินการที่ควรทำเมื่อเลือกประเด็นแล้ว ก่อนที่ระบบจะดำเนินการประเมินคำสั่งที่ไม่ได้นิยัตินิยมหรือบริบทการสนทนาที่เหลือ |
ส่งพร้อมท์และประวัติการสนทนาไปยัง LLM |
6 | เมื่อดำเนินการตามสคริปต์ทั้งหมดแล้ว ระบบจะส่งพร้อมท์ที่มีขอบเขตประเด็น คำสั่ง และการดำเนินการที่มีพร้อมกับประวัติการสนทนาไปยัง LLM หมายเหตุ: คำสั่งได้รับการกล่าวถึงในระดับที่ 2 ซึ่งก็คือการควบคุมตัวแทน |
| LLM ตัดสินใจที่จะตอบสนองหรือดำเนินการ | 7 | กลไกจะใช้ข้อมูลทั้งหมดนี้ในตัดสินใจว่าจะดำเนินการดังต่อไปนี้หรือไม่: • เรียกใช้การดำเนินการเพื่อดึงหรืออัปเดตข้อมูล • สอบถามรายละเอียดเพิ่มเติมจากลูกค้า • ตอบกลับโดยตรงพร้อมกับคำตอบ หาก LLM ตัดสินใจตอบกลับ ขั้นตอนที่ 12 จะมีการดำเนินการ |
| การดำเนินการ | 8-9 | หากจำเป็นต้องดำเนินการ กลไกจะทำงานและรวบรวมผลลัพธ์ |
| เรียกใช้ตรรกะหลังการดำเนินการ | 10 | ใช้ได้กับสคริปต์ของตัวแทนเท่านั้น: สคริปต์ของตัวแทนจะทำให้การดำเนินการสามารถมีการเปลี่ยนผ่านที่นิยัตินิยมไปยังการดำเนินการหรือประเด็นอื่นๆ ได้ ระบบจะดำเนินการเสมอ หลังจากดำเนินการแล้ว |
| เอาต์พุตการดำเนินการที่ส่งคืน + ลูปการดำเนินการ | 11 | กลไกจะประเมินข้อมูลใหม่และตัดสินใจอีกครั้งถึงสิ่งที่จะต้องทำต่อไป ไม่ว่าจะเป็นการเรียกใช้การดำเนินการอื่น สอบถามข้อมูลเพิ่มเติม หรือตอบกลับ |
| การตรวจสอบการสร้างรากฐาน - LLM ตอบสนองต่อลูกค้า | 12 | ก่อนที่จะส่งการตอบกลับขั้นสุดท้าย กลไกจะตรวจสอบว่าการตอบกลับ: • อิงตามข้อมูลที่ถูกต้องจากการดำเนินการหรือคำสั่ง • ปฏิบัติตามแนวทางที่กำหนดไว้ในคำสั่งของประเด็น • อยู่ในขอบเขตที่ขอบเขตของประเด็นกำหนดไว้ หมายเหตุ: คุณสามารถใช้สคริปต์ของตัวแทนเพื่อเพิ่มขั้นตอนในการจัดรูปแบบคำตอบสุดท้ายได้ ส่งการตอบกลับที่มีการอ้างอิงข้อมูลให้กับลูกค้า |
ตรวจสอบข้อควรพิจารณาต่อไปนี้สำหรับกลไกการประมวลผลโดยการใช้ตรรกะและกฎเกณฑ์:
- แก้ไขการตั้งค่ากำหนดสำหรับ LLM ของกลไกการประมวลผลโดยการใช้ตรรกะและกฎเกณฑ์ เครื่องมือสร้างตัวแทนไม่สามารถเปลี่ยนแปลงการกำหนดค่าเหล่านี้ได้ ปัจจุบัน เครื่องมือสร้างตัวแทนสามารถเลือกระหว่าง LLM โดย OpenAI หรือ LLM โดย Anthropic ที่โฮสต์บนโครงสร้างพื้นฐาน Salesforce เพื่อการใช้เหตุผลได้ แต่ก็อาจมีการเปลี่ยนแปลงได้เมื่อมีการเพิ่มโมเดลเพิ่มเติม
- ประวัติเริ่มต้นของกลไกการประมวลผลโดยการใช้ตรรกะและกฎเกณฑ์: เมื่อใดก็ตามที่มีคำขอไปยังกลไกการประมวลผลโดยการใช้ตรรกะและกฎเกณฑ์ (ขั้นตอนที่ 2 - 5) ระบบจะดึงข้อมูลประวัติคำขอและการตอบกลับล่าสุดโดยอัตโนมัติ วิธีนี้จะช่วยให้แน่ใจว่ามีการเก็บข้อมูลบริบทการสนทนาไว้ให้กับกลไกการประมวลผลโดยการใช้ตรรกะและกฎเกณฑ์ นอกเหนือจากการโต้ตอบกับลูกค้าแล้ว การเรียกไปที่ LLM เครื่องมือวางแผนเหล่านี้ยังรวมไปถึงการเรียกไปที่ LLM กลไกการประมวลผลโดยการใช้ตรรกะและกฎเกณฑ์เพื่อคำขออื่น ๆ อีกด้วย เช่น การเลือกประเด็น
ขั้นตอนการใช้ตรรกะและกฎเกณฑ์
กระบวนการใช้ตรรกะและกฎเกณฑ์ประกอบด้วยสี่ขั้นตอนหลัก:
- การเลือกหัวข้อ
- การเลือกการดำเนินการ
- ลูปของตัวแทน
- การตรวจสอบการสร้างรากฐาน
ขั้นตอนการใช้ตรรกะและกฎเกณฑ์ 1 การเลือกหัวข้อ
หัวข้อได้รับการออกแบบมาเพื่อปรับปรุงความแม่นยำ ด้วยตัวแทนที่จำแนกประเภทการดำเนินการหรือลำดับการดำเนินการที่ถูกต้อง แต่ละหัวข้อควรประกอบด้วยการดำเนินการที่แตกต่างกันทางความหมาย ซึ่งทั้งหมดสามารถเป็นคำอธิบายหัวข้อที่กระชับได้ จึงเป็นของฟังก์ชันตัวแทนที่คล้ายคลึงกัน
เลือกหัวข้อที่ถูกต้องโดย LLM ของกลไกการประมวลผลโดยการใช้ตรรกะและกฎเกณฑ์ (ขั้นตอนที่ 2-3 ของแผนภาพ) โดยจะเลือกหัวข้อที่มีคำอธิบายการจำแนกประเภทตรงกับคำสุดท้ายมากที่สุดโดยใช้พร้อมท์หัวข้อ พร้อมท์หัวข้อนี้มีคำอธิบายการจำแนกประเภทของหัวข้อทั้งหมด รวมถึงประวัติการสนทนา นอกเหนือจากคำและการตอบกลับของตัวแทนแล้ว ประวัติการสนทนายังรวมถึงการดำเนินการที่ทำไปแล้วและผลลัพธ์ของการสนทนาด้วย นอกจากนี้ พร้อมท์ยังมีคำสั่งสำคัญที่กำหนดให้มีการวิเคราะห์ภายในบริบทของประวัติการสนทนาและกำหนดให้ LLM ต้องแชร์กระบวนการคิด
ข้อควรพิจารณาเพิ่มเติม:
- หัวข้อที่ซ่อนอยู่เพิ่มเติมสำหรับคำแปล "นอกหัวข้อ" จะมีอยู่ควบคู่ไปกับหัวข้อที่มองเห็นได้โดยอัตโนมัติ หัวข้อนี้จะถูกเลือก เมื่อหัวข้ออื่นที่มีอยู่ไม่มีหัวข้อใดที่สอดคล้องกับคำ ซึ่งจะช่วยให้ตัวแทนหลีกเลี่ยงการจำแนกประเภทที่ไม่ถูกต้อง หัวข้อนี้ไม่มีการดำเนินการใดๆ มีไว้เพื่อช่วยให้กลไกการประมวลผลโดยการใช้ตรรกะและกฎเกณฑ์กำหนดการตอบสนองที่เหมาะสมในภายหลังเท่านั้น
- ใช้เฉพาะชื่อและคำอธิบายการจำแนกประเภทของหัวข้อในพร้อมท์หัวข้อเท่านั้น
- LLM ของกลไกการประมวลผลโดยการใช้ตรรกะและกฎเกณฑ์สามารถเลือกได้ครั้งละหนึ่งหัวข้อเท่านั้น
- การสนทนาอาจเปลี่ยนไปโดยไม่คาดคิด เมื่อใดก็ตามที่ได้รับคำมา กลไกการประมวลผลโดยการใช้ตรรกะและกฎเกณฑ์จะดำเนินการต่อไปยังขั้นตอนการเลือกหัวข้อ ซึ่งหมายความว่าสามารถเลือกหัวข้อใหม่ได้ในการพิมพ์คำใหม่แต่ละครั้ง
แนวทางปฏิบัติที่ดีที่สุดสำหรับการออกแบบประเด็น
วัตถุประสงค์ของหัวข้อแบ่งเป็นสองส่วน:
- ลดความเสี่ยงในการทำให้กลไกการประมวลผลโดยการใช้ตรรกะและกฎเกณฑ์สับสนด้วยการจัดกลุ่มการดำเนินการ หลีกเลี่ยงไม่ให้เลือกการดำเนินการที่ไม่ถูกต้อง
- แนะนำการเลือกการดำเนินการและการดำเนินการด้วยคำสั่ง (ข้อมูลเพิ่มเติมเกี่ยวกับในระดับสอง: การควบคุมตัวแทน: เพิ่มคำสั่ง)
ด้วยการจัดระเบียบความสามารถของตัวแทนอย่างรอบคอบลงในหัวข้อที่กำหนดไว้อย่างชัดเจน ซึ่งประกอบด้วยการดำเนินการที่เกี่ยวข้อง ซึ่งตัวแทนจะทำงานได้อย่างมีประสิทธิภาพและคาดการณ์ได้มากขึ้น รวมถึงการอัปเดตและขยายก็ง่ายขึ้น มีสองแนวทางที่เป็นไปได้ในการออกแบบหัวข้อ: จากบนลงล่างและล่างขึ้นบน
- ในแนวทางจากบนลงล่าง ประเด็นต่าง ๆ จะได้รับการออกแบบเป็นงานระดับสูงที่ตัวแทนจะต้องทำก่อน จากนั้นจึงกำหนดการดำเนินการแต่ละรายการสำหรับประเด็นเหล่านั้น
- ในแนวทางแบบล่างขึ้นบน อันดับแรกคือจะกำหนดการดำเนินการแต่ละอย่างไว้ จากนั้นจะถูกจัดกลุ่มเข้าด้วยกันในหัวข้อต่างๆ
ทั้งสองแนวทางนำไปสู่ผลลัพธ์ที่ดีเมื่อปฏิบัติตามอย่างถูกต้อง
แนวทางแบบล่างขึ้นบน
ส่วนนี้จะอธิบายถึงแนวทางแบบล่างขึ้นบน เนื่องจากสอดคล้องอย่างมากกับเหตุผลที่กลไกการประมวลผลโดยการใช้ตรรกะและกฎเกณฑ์ต้องการหัวข้อที่จะเริ่มต้น
ขั้นตอนที่ 1 แสดงรายการการดำเนินการของตัวแทนทั้งหมด
เริ่มต้นด้วยการแสดงรายการการดำเนินการเฉพาะทั้งหมดที่ตัวแทนควรจะสามารถดำเนินการได้ ในขั้นตอนนี้จ ควรที่จะเจาะจงมากกว่าที่จะเป็นแบบทั่วไปเกินไป หลีกเลี่ยงการพยายามจัดกลุ่มหรือลดความซับซ้อนของการดำเนินการก่อนกำหนด เป้าหมายคือการสร้างมุมมองที่ครอบคลุมและละเอียดเกี่ยวกับสิ่งที่ตัวแทนสามารถทำได้
เช่น ในกรณีของตัวแทนบริการลูกค้า รายการเริ่มต้นอาจประกอบด้วย:
- ส่งคืนคำสั่งซื้อ: ใช้เพื่อเริ่มต้นกระบวนการส่งคืนสำหรับคำสั่งซื้อ
- ตรวจสอบความพร้อมของสินค้าคงคลัง: ใช้เพื่อตรวจสอบว่ามีสินค้าอยู่ในสต็อกหรือไม่
- ตรวจสอบนโยบายการแลกเปลี่ยนสินค้า: ใช้เพื่อดึงข้อมูลเกี่ยวกับกฎการแลกเปลี่ยน
- ตอบคำถามด้วยความรู้: ใช้เพื่อตอบคำถามทั่วไปหรือคำถามที่พบบ่อย
- ตรวจสอบโปรโมชัน: ใช้เพื่อตรวจสอบโปรโมชันหรือส่วนลดที่มีอยู่
- คาดการณ์วันที่จัดส่ง: ใช้เพื่อประเมินวันที่/เวลาจัดส่งที่คาดไว้
- ตรวจสอบสถานะคำสั่งซื้อ: ใช้เพื่อค้นหาสถานะปัจจุบันของคำสั่งซื้อของลูกค้า
- ค้นหาคำสั่งซื้อของลูกค้า: ใช้เพื่อดึงข้อมูลคำสั่งซื้อที่ผ่านมาหรือคำสั่งซื้อในปัจจุบันทั้งหมดของลูกค้าที่เฉพาะเจาะจง
- แก้ไขปัญหาทางเทคนิค: ใช้เพื่อแก้ไขปัญหาทางเทคนิคเกี่ยวกับผลิตภัณฑ์หรือบริการ
- ค้นหาเงื่อนไขคำสั่งซื้อของลูกค้า: ดึงข้อมูลเงื่อนไขทั้งหมดที่เกี่ยวข้องกับคำสั่งซื้อ
- ค้นหาแอสเซทของลูกค้า: ใช้เพื่อระบุหรือดึงแอสเซทที่เกี่ยวข้องกับลูกค้า
- เปลี่ยนที่อยู่จัดส่ง
โปรดทราบว่าการดำเนินการ เช่น "แก้ไขคำร้องเรียนของลูกค้า" นั้นกว้างเกินไปในจุดนี้ การดำเนินการควรแสดงถึงระดับความละเอียดที่เล็กที่สุดในพฤติกรรมของตัวแทน คำร้องเรียนอาจมีหลายประเภทและการดำเนินการที่แตกต่างกันครอบคลุมถึงคำร้องเรียนเหล่านั้นแล้ว:
- ปัญหาหลังการจัดส่ง เช่น การแก้ไขปัญหาสินค้าที่เสียหายหรือทำงานผิดปกติ “การแก้ไขปัญหาทางเทคนิค”ครอบคลุมอยู่แล้ว)
- ปัญหาก่อนการจัดส่ง เช่น การจัดส่งที่ขาดหายไป ความจำเป็นในการเปลี่ยนวันที่จัดส่งหรือการแก้ไขคำสั่งซื้อนั้นครอบคลุมอยู่แล้วด้วยการดำเนินการเช่น “ตรวจสอบสถานะคำสั่งซื้อ” “คาดการณ์วันที่จัดส่ง” หรือ “ส่งคืนคำสั่งซื้อ”
- ข้อกังวลทั่วไปของลูกค้า เช่น การสอบถามเกี่ยวกับนโยบายครอบคลุมด้วย “ตอบคำถามด้วยความรู้” หรือ“ตรวจสอบนโยบายการแลกเปลี่ยนผลิตภัณฑ์” อยู่แล้ว
ขั้นตอนที่ 2: ทำเครื่องหมายคู่การดำเนินการ (หรือหลายรายการ) ที่อาจทำให้เกิดความสับสนในการประมวลผลโดยการใช้ตรรกะและกฎเกณฑ์
ทำเครื่องหมายการดำเนินการที่มีลักษณะคล้ายคลึงกัน เนื่องจากอาจทำให้กลไกการประมวลผลโดยการใช้ตรรกะและกฎเกณฑ์สับสน คำอธิบายจะไม่แตกต่างกันมากพอในเชิงความหมาย จึงทำให้กลไกการประมวลผลโดยการใช้ตรรกะและกฎเกณฑ์ไม่รู้ว่าจะต้องเลือกการดำเนินการใดในขั้นตอนที่ 5
ตัวอย่างเช่น“การแก้ไขปัญหาทางเทคนิค” และ “ตอบคำถามด้วยความรู้” มีคำอธิบายที่คล้ายคลึงกัน แต่ฟังก์ชันการทำงานอาจแตกต่างกันอย่างมาก การทำเครื่องหมายทับซ้อนความหมายดังกล่าวจะช่วยระบุการดำเนินการที่จะแยกระหว่างหลายๆ หัวข้อได้
ขั้นตอนที่ 3: สร้างการจัดกลุ่มการดำเนินการเบื้องต้นลงในหัวข้อต่างๆ
เมื่อกำหนดการดำเนินการอย่างชัดเจนและระบุการทับซ้อนความหมายแล้ว การดำเนินการสามารถจัดกลุ่มให้กับหัวข้อเบื้องต้นได้ หัวข้อคือหมวดหมู่ฟังก์ชันการทำงานเชิงตรรกะซึ่ โดยเป็นการจัดกลุ่มการดำเนินการที่แสดงถึงความสามารถหรือทักษะที่สอดคล้องกันของตัวแทน
เมื่อสร้างการจัดกลุ่มเหล่านี้:
- หลีกเลี่ยงการทับซ้อนความหมายโดยใช้จำนวนหัวข้อขั้นต่ำที่จำเป็น
- ตรวจสอบให้แน่ใจว่าแต่ละหัวข้อมีการดำเนินการที่เกี่ยวข้องอย่างมีความหมาย
- ตรวจสอบให้แน่ใจว่าการดำเนินการสนับสนุนที่ต้องดำเนินการในห่วงโซ่มีอยู่ในหัวข้อเดียวกัน
นี่คือตัวอย่างของการจัดกลุ่มเบื้องต้นสำหรับตัวแทนบริการลูกค้า:
หัวข้อที่ 1:
- ส่งคืนคำสั่งซื้อ
- ตรวจสอบความพร้อมของสินค้าคงคลัง
- ตรวจสอบนโยบายการแลกเปลี่ยนผลิตภัณฑ์
- ตรวจสอบโปรโมชัน
- คาดการณ์วันที่จัดส่ง
- ค้นหาเงื่อนไขคำสั่งซื้อของลูกค้า
- ตรวจสอบสถานะคำสั่งซื้อ
- ค้นหาคำสั่งซื้อของลูกค้า
- ค้นหาแอสเซทของลูกค้า
- ตอบคำถามด้วยความรู้
- เปลี่ยนที่อยู่จัดส่ง
หัวข้อที่ 2:
- แก้ไขปัญหาทางเทคนิค
- ค้นหาแอสเซทของลูกค้า
ขั้นตอนที่ 4: เขียนคำอธิบายการจำแนกประเภทสำหรับหัวข้อและแบ่งหัวข้อหากจำเป็น
เมื่อคุณจัดกลุ่มเบื้องต้นแล้ว ให้เขียนคำอธิบายการจำแนกประเภทสำหรับแต่ละหัวข้อ
- หัวข้อที่ 2 ในตัวอย่างของเราเกี่ยวข้องกับปัญหาทางเทคนิคของผลิตภัณฑ์อย่างชัดเจน
- อย่างไรก็ตามหัวข้อที่ 1 จะครอบคลุมขอบเขตที่กว้างขึ้น ส่วนใหญ่แล้วจะเกี่ยวกับการจัดการคำสั่งซื้อ แต่ก็มีการดำเนินการบางอย่างที่ไม่เกี่ยวข้องกับการจัดการคำสั่งซื้อด้วย เช่น การตรวจสอบโปรโมชันและการตอบคำถามด้วยความรู้ หัวข้อที่ 1 ไม่สามารถอธิบายได้อย่างชัดเจนและกระชับในประโยคเดียว ดังนั้นจึงควรแบ่งหัวข้อออกเป็นหัวข้อต่างๆ
หลังจากการปรับแต่ง เราจะได้รับ:
- หัวข้อที่ 1: การจัดการคำสั่งซื้อ: อธิบายการดำเนินการที่เกี่ยวข้องกับการจัดการและแก้ไขคำสั่งซื้อของลูกค้าและโลจิสติกส์ที่เกี่ยวข้อง ยกเว้นสิ่งที่เกี่ยวข้องกับการแลกเปลี่ยนและการคืนสินค้า
- ตรวจสอบความพร้อมของสินค้าคงคลัง: พิจารณาว่ามีสินค้าอยู่ในสต็อกหรือไม่
- คาดการณ์วันที่จัดส่ง: ประมาณเวลาที่คำสั่งซื้อจะมาถึง
- ตรวจสอบสถานะคำสั่งซื้อ: ค้นหาสถานะของคำสั่งซื้อของลูกค้า
- ค้นหาคำสั่งซื้อของลูกค้า: ดึงข้อมูลคำสั่งซื้อทั้งหมดที่ลูกค้าสั่งซื้อ
- เปลี่ยนที่อยู่จัดส่ง
-
หัวข้อที่ 2: การแก้ไขปัญหา
- ค้นหาแอสเซทของลูกค้า: ดึงข้อมูลอุปกรณ์หรือผลิตภัณฑ์ที่ลงทะเบียนของลูกค้า
- แก้ไขปัญหาทางเทคนิค: ให้ความช่วยเหลือทางเทคนิคหรือการวินิจฉัย
- หัวข้อที่ 3: การแลกเปลี่ยน: อธิบายการดำเนินการที่เกี่ยวข้องกับการแลกเปลี่ยนและการส่งคืนคำสั่งซื้อ
- ส่งคืนคำสั่งซื้อ: เริ่มกระบวนการส่งคืนคำสั่งซื้อ
- ตรวจสอบนโยบายการแลกเปลี่ยนสินค้า: ให้กฎการแลกเปลี่ยนสำหรับสินค้า
- ค้นหาคำสั่งซื้อของลูกค้า: ดึงข้อมูลคำสั่งซื้อทั้งหมดที่ลูกค้าสั่งซื้อ
- ค้นหาเงื่อนไขการสั่งซื้อของลูกค้า: ดึงข้อมูลเงื่อนไขทั้งหมดที่เกี่ยวข้องกับคำสั่งซื้อ
- หัวข้อที่ 4: การสนับสนุนผลิตภัณฑ์: อธิบายการดำเนินการตัดขวางที่ใช้สำหรับการดึงข้อมูลและการกำหนดเส้นทาง
- ตอบคำถามด้วยความรู้: ตอบคำถามทั่วไปของลูกค้าโดยใช้ข้อมูลฐาน Knowledge
- ตรวจสอบโปรโมชัน: ดูโปรโมชันหรือส่วนลดในปัจจุบัน
ในการสรุป ขั้นแรกให้สร้างรายการการดำเนินการที่เป็นไปได้ทั้งหมดที่ครอบคลุม จากนั้นทำเครื่องหมายทับซ้อนความหมายระหว่างการดำเนินการเหล่านี้ จากนั้นสร้างชุดหัวข้อที่อย่างน้อยที่สุดจะช่วยแก้ปัญหาการทับซ้อนความหมายทั้งหมด (เพื่อให้กลไกการประมวลผลโดยการใช้ตรรกะและกฎเกณฑ์ไม่สับสนภายในขอบเขตของหัวข้อเดียว) จากนั้นเขียนคำอธิบายการจำแนกประเภทของทุกหัวข้อ หากหัวข้อมีขอบเขตกว้างเกินไป ให้แบ่งหัวข้อออกเป็นหัวข้อที่ละเอียดยิ่งขึ้น การนำคำแนะนำนี้ไปใช้จะทำให้คุณสามารถสร้างตัวแทนที่ไม่เพียงแต่ทำงานได้ดีเท่านั้น แต่ยังดูแลรักษาและขยายได้ง่ายอีกด้วย
โครงสร้างนี้รองรับการใช้ตรรกะและกฎเกณฑ์ที่ดีขึ้น การดำเนินการที่แม่นยำยิ่งขึ้นและขอบเขตการตัดสินใจที่ชัดเจนยิ่งขึ้นภายในพฤติกรรมของตัวแทน นอกจากนี้ยังต้องอาศัยความร่วมมือระหว่างนักออกแบบ วิศวกร และผู้เชี่ยวชาญเฉพาะด้านเพื่อให้ความสามารถของตัวแทนโปร่งใสและเป็นแบบโมดูลาร์มากขึ้น
ข้อควรพิจารณาเพิ่มเติมสำหรับการสร้างประเด็นที่มีประสิทธิผล
- จำนวนหัวข้อที่เหมาะสมที่สุด: เพื่อปรับปรุงประสิทธิภาพของ LLM ในการจำแนกประเภทหัวข้อที่ถูกต้องโดยทั่วไปแล้วไม่แนะนำให้มีหัวข้อเกิน 10 หัวข้อ แต่นี่เป็นเพียงหลักการง่ายๆ นอกจากนี้ แต่ละหัวข้อควรมีคำอธิบายที่ชัดเจนและแตกต่างกัน ในท้ายที่สุด จำนวนหัวข้อที่เหมาะสมที่สุดจะขึ้นอยู่กับระยะความหมายระหว่างคำอธิบายการจำแนกประเภทหัวข้อ หากหัวข้อมีคำอธิบายการจำแนกประเภทที่แตกต่างกันมาก ความเสี่ยงของการทับซ้อนของหัวข้อจะลดลง แนวทางปฏิบัติที่ดีที่สุดเพิ่มเติมเพื่อหลีกเลี่ยงการทับซ้อนระหว่างหัวข้อต่างๆอธิบายไว้ที่นี่
- ปรับสมดุลขนาดหัวข้อและความชัดเจน: แม้ว่าโดยทั่วไปแล้วการมีหัวข้อเล็กๆ ในแง่ของการดำเนินการและคำสั่งเพื่อให้จำแนกประเภทได้ง่ายขึ้น แต่การสร้างหัวข้อจำนวนมากเกินไปที่มีคำอธิบายที่คล้ายกันมากอาจนำไปสู่ความสับสน เช่นเดียวกับการทับซ้อนกันของความหมายระหว่างการดำเนินการที่นำไปสู่การจำแนกประเภทที่ผิด ดังนั้นจึงเป็นสิ่งสำคัญที่จะต้องมีคำอธิบายหัวข้อที่แตกต่างกันอย่างชัดเจน คุณสามารถใช้ LLM เพื่อช่วยคุณสร้างการจำแนกประเภทที่แตกต่างกันได้ดี
- ภาษามาตรฐานและความชัดเจนของบริบท: LLM อาจไม่ทราบถึงความหมายและคำย่อเฉพาะของบริษัทหรือธุรกิจ ใช้ภาษามาตรฐานหรือมีความชัดเจนมากในการอธิบายความหมายของคำภายในบริบทที่เฉพาะของคุณ
- เฉพาะชื่อหัวข้อและคำอธิบายเท่านั้นที่จะถูกส่งในพร้อมท์หัวข้อ ดังนั้นการเปลี่ยนขอบเขตหรือคำสั่งของหัวข้อ จะไม่ส่งผลกระทบต่อการเลือกหัวข้อ
ตัวอย่างการดำเนินการ
ลองนึกภาพว่าตัวแทนบริการได้รับคำขอนโยบายการรับประกันสำหรับนาฬิกา ปัญหาการรับประกันไม่เกี่ยวข้องกับการแลกเปลี่ยนหรือการสนับสนุนสินค้า การจัดการคำสั่งซื้อดูเหมือนจะเป็นหัวข้อที่เหมาะสมที่สุดในการรับมือกับคำขอนี้ ดังนั้น กลไกการประมวลผลโดยการใช้ตรรกะและกฎเกณฑ์จึงเลือกหัวข้อหลังเป็นหัวข้อที่น่าจะเป็นไปได้มากที่สุดเพื่อตอบสนองคำขอ
ขั้นตอนการใช้ตรรกะและกฎเกณฑ์ 2: การเลือกการดำเนินการ
หลังจากเลือกหัวข้อแล้ว กลไกการประมวลผลโดยการใช้ตรรกะและกฎเกณฑ์จะเลือกการดำเนินการที่เหมาะสมเพื่อดำเนินการจากหัวข้อที่เลือก อีกครั้งที่ LLM ของกลไกการประมวลผลโดยการใช้ตรรกะและกฎเกณฑ์มีหน้าที่รับผิดชอบในเรื่องนี้ โดยใช้พร้อมท์อื่นที่เรียกว่าพร้อมท์การสังเกตการณ์ วัตถุประสงค์ของพร้อมท์การสังเกตคือการได้รับขั้นตอนถัดไปในกระบวนการใช้ตรรกะและกฎเกณฑ์ ขั้นตอนถัดไปนี้อาจเป็นขั้นตอนใดขั้นตอนหนึ่งต่อไปนี้:
- การเริ่มต้นการดำเนินการ
- การร้องขออินพุตการดำเนินการจากผู้ใช้
- การร้องขอคำชี้แจงของคำขอจากผู้ใช้
- การส่งคำตอบสุดท้ายไปยังผู้ใช้ (การดำเนินการตามคำขอของผู้ใช้) เมื่อการดำเนินการครบวงจร (ดูสำหรับรายละเอียดเพิ่มเติมเกี่ยวกับขั้นตอนการใช้ตรรกะและกฎเกณฑ์ 3)
อินพุตไปยังพร้อมท์การสังเกตจะเกิดขึ้นจากคำอธิบายทั้งหมดของการดำเนินการทั้งหมดจากหัวข้อ ซึ่งรวมถึงจากประวัติการสนทนา
แนวทางปฏิบัติที่ดีที่สุดสำหรับการออกแบบการดำเนินการ
การดำเนินการเป็นงานที่กำหนดไว้ล่วงหน้าที่ตัวแทนสามารถดำเนินการเพื่อทำงานของตนได้ การดำเนินการเป็นคำจำกัดความที่ละเอียดที่สุดของงาน การดำเนินการของตัวแทนมีห้าประเภท: (1) เรียกใช้โค้ด Apex, (2) เรียกใช้ API, (3) เรียกใช้โฟลว์, (4) รับการตอบสนองของ LLM ต่อแม่แบบพร้อมท์ และ (5 เรียก) เรียกใช่โมเดลเชิงคาดการณ์ การดำเนินการส่วนใหญ่เหล่านี้เป็นแบบนิยัตินิยม ข้อยกเว้นคือการได้รับการตอบกลับแม่แบบพร้อมท์ (โดยมีเงื่อนไขว่าระบบภายนอก, การดำเนินการโฟลว์หรือ Apex ไม่มีองค์ประกอบความน่าจะเป็น เช่น การเรียกใช้พร้อมท์) เราจะกล่าวถึงปัญหาเหล่านี้ในระดับที่ 5 ของการควบคุมตัวแทน
- การควบคุมรูปแบบการทำงานของตัวแทนในการดำเนินการพร้อมท์: มีสองวิธีในการบังคับใช้การควบคุมพฤติกรรมของตัวแทนในการดำเนินการพร้อมท์: (1) เพิ่มคำสั่งเพิ่มเติมลงในแม่แบบพร้อมท์ผ่านวิศวกรรมพร้อมท์ และ (2) กำหนดค่าไฮเปอร์พารามิเตอร์ของ LLM ที่สร้างการตอบสนองพร้อมท์ โดยเฉพาะอุณหภูมิ (ดูเอกสารประกอบ ) การลดระดับความคิดสร้างสรรค์จะช่วยลดความแปรปรวนในการตอบกลับที่สร้างขึ้น ซึ่งจะเพิ่มความสามารถในการทำซ้ำและความน่าเชื่อถือของตัวแทน
- จำนวนการดำเนินการที่เหมาะสมที่สุดภายในประเด็นเดียว: เช่นเดียวกับจำนวนประเด็นสูงสุด จำนวนการดำเนินการภายในประเด็นไม่ควรเกิน 10 รายการ แต่ย้ำอีกครั้งว่านี่เป็นเพียงหลักการง่ายๆ ปัจจัยขับเคลื่อนที่แท้จริงคือระยะห่างของความหมายระหว่างการดำเนินการ เมื่อการดำเนินการมีความแตกต่างอย่างชัดเจนตามคำอธิบายของการดำเนินการ ตัวเลขนี้อาจมีจำนวนมากขึ้น อย่างไรก็ตาม ไม่มีการวัดตัวเลขสำหรับระยะความหมาย โดยขึ้นอยู่กับการตีความของเครื่องมือสร้างตัวแทน ยิ่งความหมายระหว่างคำอธิบายการดำเนินการมีความแตกต่างกันมากเท่าใด ระยะความหมายก็จะมากขึ้นเท่านั้น ควรหลีกเลี่ยงความหมายที่ทับซ้อนกันเสมอในส่วนนี้
- คำอธิบายการดำเนินการ: “คำสั่งการดำเนินการ” ทำหน้าที่เป็นคำสั่งที่ LLM ของกลไกการประมวลผลโดยการใช้ตรรกะและกฎเกณฑ์ใช้เพื่อเลือกการดำเนินการที่ถูกต้องจากประเด็น ซึ่งตรงกันข้ามกับที่ชื่อแนะนำ โปรดทราบว่าการใช้คำอธิบายการดำเนินการที่มีความโดดเด่นด้านความหมายสามารถปรับปรุงคุณภาพของการจำแนกประเภทได้อย่างมาก ทบทวนคำอธิบายเหล่านี้อย่างรอบคอบ และเปรียบเทียบคำอธิบายการดำเนินการทั้งหมดที่อยู่ในประเด็นเดียวกันโดยเฉพาะ
ตัวอย่างการดำเนินการ
มาดูตัวอย่างก่อนหน้าที่ตัวแทนบริการได้รับคำถามเกี่ยวกับนโยบายการรับประกันสำหรับนาฬิกากัน หลังจากเลือกหัวข้อการจัดการคำสั่งซื้อแล้ว ให้เลือกการดำเนินการที่น่าจะเป็นไปได้มากที่สุด เนื่องจากนี่คือหัวข้อการจัดการคำสั่งซื้อ ขั้นตอนแรกที่เป็นเหตุเป็นผลคือการค้นหาคำสั่งซื้อ (ไม่เช่นนั้นจะดึงข้อมูลการรับประกันจากอะไร) โดยการเปิดใช้การดำเนินการค้นหาคำสั่งซื้อ
ขั้นตอนการใช้ตรรกะและกฎเกณฑ์ 3: ลูปของตัวแทน
คำของผู้ใช้สามารถทริกเกอร์การดำเนินการหลายอย่างก่อนที่คำตอบจะถูกส่งกลับไปยังผู้ใช้ เนื่องจากลูปของตัวแทน ซึ่งยังคงเลือกและดำเนินการตามการดำเนินการที่เหมาะสมที่สุดถัดไปจนกว่าจะเป็นไปตามเงื่อนไขข้อใดข้อหนึ่งต่อไปนี้:
- LLM ของกลไกการประมวลผลโดยการใช้ตรรกะและกฎเกณฑ์จะกำหนดว่าคำขอเสร็จสมบูรณ์แล้ว ในกรณีนี้จะพบว่าคำขอของผู้ใช้ได้รับการตอบสนอง โปรดทราบว่าส่วนหนึ่งของการตรวจสอบนี้ประกอบด้วยการตรวจสอบการสร้างรากฐาน เพื่อตรวจสอบว่าการตอบสนองนั้นมีพื้นฐานมาจากเอาต์พุตการดำเนินการ ไม่ควรมีการคิดค้นข้อมูลในการตอบสนองโดย LLM ของกลไกการประมวลผลโดยการใช้ตรรกะและกฎเกณฑ์ เนื่องจากอาจนำไปสู่การตอบสนองที่ไร้สาระหรือที่ไม่ถูกต้อง
- ไม่พบการดำเนินการที่เหมาะสมอีกต่อไป
- ถึงจำนวนการเรียกใช้ LLM สูงสุดที่อนุญาตสำหรับขั้นตอนปัจจุบันแล้ว ตัวเลขนี้จะถูกกำหนดโดยกลไกการประมวลผลโดยการใช้ตรรกะและกฎเกณฑ์
การดำเนินการไม่อยู่ภายใต้การหมดเวลาที่เฉพาะเจาะจง วิธีเพื่อหลีกเลี่ยงการหยุดชะงัก เมื่อเวลาในการดำเนินการแตกต่างกันไปขึ้นอยู่กับความซับซ้อน การดำเนินการบางอย่างมีความซับซ้อนมากกว่าการดำเนินการอื่นๆ
ตัวอย่างการดำเนินการ
หลังจากเริ่มต้นการค้นหาคำสั่งซื้อแล้ว กลไกการประมวลผลโดยการใช้ตรรกะและกฎเกณฑ์จะประเมินการตอบกลับที่สร้างขึ้นจนถึงขณะนี้ จากนั้นจึงตัดสินใจว่าจะต้องทำงานมากขึ้นก่อนที่จะส่งคำตอบกลับไปยังผู้ใช้ จะค้นหานโยบายการรับประกันตอนนี้ คำสั่งซื้อปรากฏอยู่ในประวัติการสนทนา
อย่างไรก็ตาม ในการดำเนินการดังกล่าวตัวแทนจะทราบว่าลูกค้าได้ซื้อนาฬิกาสองเรือนจริงๆ ตามที่เรียกใช้โดยการดำเนินการ " ค้นหาคำสั่งซื้อ " ดังนั้นในลูปของตัวแทน กลไกการประมวลผลโดยการใช้ตรรกะและกฎเกณฑ์จะขอให้ลูกค้าระบุนาฬิกาที่ต้องการข้อมูลการรับประกันโดยเฉพาะ
การควบคุมตัวแทนระดับ 2: คำสั่ง
ความน่าเชื่อถือของตัวแทนได้รับการปรับปรุงด้วยการกระจายการดำเนินการอย่างรอบคอบในหัวข้อต่างๆ รวมถึงการดำเนินการและหัวข้อที่อธิบายไว้อย่างดี อย่างไรก็ตาม วิธีการเหล่านี้ไม่อนุญาตให้แสดงออกถึงกฎเกณฑ์ นโยบาย และแนวทางป้องกันทางธุรกิจภายในกลไกการประมวลผลโดยการใช้ตรรกะและกฎเกณฑ์ คำสั่งให้เลเยอร์ที่สำคัญของการควบคุมตัวแทนเพิ่มเติม คำสั่งจะให้คำแนะนำเพิ่มเติมเกี่ยวกับกลไกการประมวลผลโดยการใช้ตรรกะและกฎเกณฑ์เมื่อใช้การดำเนินการต่างๆ ร่วมกัน สิ่งนี้ช่วยให้มีแนวทางที่มีความละเอียดและเป็นไปตามนโยบายสำหรับพฤติกรรมของตัวแทนมากขึ้น คำสั่งช่วยให้เครื่องมือสร้างตัวแทนรับประกันได้ว่าตัวแทนไม่เพียงแต่จะทำงานได้อย่างน่าเชื่อถือเท่านั้น แต่ยังปฏิบัติตามกฎทางธุรกิจและแนวทางปฏิบัติที่ดีที่สุดที่กำหนดไว้อีกด้วย
คำสั่งที่เขียนในระดับหัวข้อจะกลายเป็นส่วนหนึ่งของพร้อมท์การสังเกตการณ์ คำสั่งหัวข้อจะแนะนำกลไกการประมวลผลโดยการใช้ตรรกะและกฎเกณฑ์ในการเลือกการดำเนินการที่เหมาะสม ซึ่งสามารถให้คำแนะนำว่าเมื่อใดควรเลือกการดำเนินการใด และสามารถใช้เพื่อกำหนดการพึ่งพาการดำเนินการได้ ในบางสถานการณ์ ยังสามารถบังคับใช้การควบคุมตามลำดับได้อีกด้วย อย่างไรก็ตามควรใช้ทางเลือกอื่นสำหรับสิ่งนี้และคำสั่งอย่างรอบคอบตามข้อกำหนดดังกล่าว คำสั่งหัวข้อจะถูกเพิ่มทีละรายการและปรากฏในกล่องแยกต่างหากใน UI อย่างไรก็ตาม มักจะถูกส่งไปยังพร้อมท์การสังเกตการณ์พร้อมกันเสมอ การเพิ่มคำสั่งในกล่องแยกต่างหากจะเพิ่มความสามารถในการอ่านและความสามารถในการบำรุงรักษาของหัวข้อ แต่จะไม่ส่งผลต่อกลไกการประมวลผลโดยการใช้ตรรกะและกฎเกณฑ์
บางครั้ง คำสั่งจะใช้กับตัวแทนทั่วทั้งระบบและไม่เกี่ยวข้องกับประเด็นใดประเด็นหนึ่ง ฟังก์ชั่นการทำงานเพื่อรักษาคำสั่งทั่วทั้งระบบมีอยู่ในแผนดำเนินงานสินค้าในปัจจุบัน ดูแนวทางปฏิบัติที่ดีที่สุดสำหรับการเขียนคำสั่งประเด็นได้ใน คู่มือเกี่ยวกับประเด็น คำสั่ง และการดำเนินการของ Agentforce มาทบทวนแนวทางเพิ่มเติมบางส่วนกัน
แนวทางปฏิบัติที่ดีที่สุดสำหรับการเขียนคำสั่ง
หลีกเลี่ยงการเขียนสคริปต์มากเกินไป
หลีกเลี่ยงการเขียนสคริปต์มากเกินไปในรูปแบบที่ตัวแทนควรมีการสนทนากับผู้ใช้ การเขียนสคริปต์มากเกินไปสามารถช่วยลดความสามารถของตัวแทนในการสร้างความสัมพันธ์ ทำความเข้าใจความต้องการเฉพาะของผู้ใช้ และตอบสนองอย่างมีประสิทธิภาพแบบเรียลไทม์ต่อสถานการณ์ที่เปลี่ยนแปลงอยู่ตลอดเวลา ยิ่งไปกว่านั้นคำสั่งที่ยาว สามารถทำให้ตัวแทนตอบสนองได้ช้าลงและสร้างความสับสนกับให้กับกลไกการประมวลผลโดยการใช้ตรรกะและกฎเกณฑ์ การบังคับนิยัตินิยมผ่านคำสั่งไม่ใช่แนวทางที่ควรใช้
สิ่งที่ไม่ควรทำ
ตัวอย่างเช่น ไม่จำเป็นต้องบอกตัวแทนให้หลีกเลี่ยงการอ้างถึงคู่แข่งในคำตอบการให้บริการ ซึ่งอาจนำไปสู่พฤติกรรมที่ไม่พึงประสงค์ เนื่องจากตัวแทนสามารถปฏิเสธที่จะตอบคำถามที่อ้างถึงการบูรณาการกับผู้ให้บริการที่เป็นคู่แข่งด้วย แต่คำสั่งอาจเป็น “เมื่อพูดคุยถึงคู่แข่ง ให้ตอบกลับโดยคำนึงถึงผลประโยชน์ที่ดีที่สุดของบริษัท” วิธีนี้จะช่วยหลีกเลี่ยงคำสั่งแบบมีเงื่อนไขที่เข้มงวดเช่น “พูดถึงคู่แข่ง xyz เพียงอย่างเดียวในกรณีของ...” และใช้ประโยชน์จากความสามารถในการประมวลผลโดยการใช้ตรรกะและกฎเกณฑ์ของ LLM แทน ตัวอย่างนี้แสดงให้เห็นว่าสามารถให้คำสั่งในระดับที่สูงขึ้นและเป็นนามธรรมมากขึ้นได้อย่างไร คล้ายกับวิธีการฝึกอบรมพนักงานบริการที่เป็นมนุษย์หลังจากเข้าร่วมบริษัทแล้ว
มาดูตัวอย่างเพิ่มเติมเกี่ยวกับสิ่งที่ไม่ควรทำกัน นี่คือคำสั่งที่ไม่ดีบางประการที่มอบให้กับตัวแทนบริการจัดการกับโปรไฟล์ผู้สมัครงานบนเว็บไซต์การสรรหาบุคลากร คำสั่งเหล่านี้พยายามคาดการณ์คำพูดของลูกค้าที่เป็นไปได้ทั้งหมด ดังนั้นจึงควรหลีกเลี่ยง:
คำสั่งที่ 1:
ตัวแทนได้รับคำต่อไปนี้: “ฉันสามารถเพิ่มรูปภาพลงในโปรไฟล์ของฉันได้หรือไม่” จากนั้นถามลูกค้าทันทีว่า “ประเภทโปรไฟล์ของคุณคืออะไร”
คำสั่งที่ 2:
หากลูกค้าระบุโปรไฟล์พรีเมียมให้ตอบว่า “ให้ฉันตรวจสอบรายละเอียดสัญญาของคุณ “จากนั้นค้นหารายละเอียดสัญญาและตรวจสอบว่าลูกค้าเห็นด้วยหรือไม่ว่าสามารถอัปเดตรูปภาพโปรไฟล์ได้
หากเห็นด้วยว่าผู้สมัครสามารถทำได้ ให้ตอบว่า “ใช่ ฉันจะอัปเดตให้คุณได้ คุณสามารถส่งรูปภาพใหม่มาได้ไหม” เมื่อได้รับรูปภาพแล้ว ให้อัปเดตโปรไฟล์ของผู้สมัครให้สอดคล้องกัน หากสัญญาไม่รวมการเปลี่ยนแปลงรูปภาพโปรไฟล์ ให้พูดว่า “ขออภัยไม่สามารถทำได้ ให้ฉันส่งคุณไปยังตัวแทนที่เป็นมนุษย์”
คำสั่งที่ 3:
โปรไฟล์ที่ไม่ใช่พรีเมียม: หากลูกค้าระบุโปรไฟล์ที่ไม่ใช่โปรไฟล์พรีเมียม ให้ตอบกลับด้วย “คุณไม่สามารถอัปเดตรูปภาพของคุณได้ หากคุณต้องการทำเช่นนั้น โปรดแจ้งให้เราทราบและฉันจะส่งต่อคุณไปยังตัวแทนที่เป็นมนุษย์”
คำสั่งที่ 4:
หากประเภทโปรไฟล์ไม่ชัดเจน ให้ตอบกลับด้วย “ฉันไม่เข้าใจประเภทโปรไฟล์ของคุณ”
สิ่งที่ต้องทำแทน
แทนที่จะใช้การจัดการที่จู้จี้ประเภทนี้ ให้ใช้แนวทางที่ยืดหยุ่นมากขึ้นซึ่งจะสั่งมีพฤติกรรมและดำเนินการของตัวแทน พิจารณาแนวทางปฏิบัติที่ดีที่สุดต่อไปนี้:
- ใช้การดำเนินการ RAG/Knowledge สำหรับนโยบายและกฎที่มีอยู่ในบทความ Knowledge (แทนที่จะเขียนเป็นคำสั่ง) ข้อมูลที่เกี่ยวข้องจะถูกดึงมาในเวลาที่เหมาะสม สำหรับตัวอย่างข้างต้น นั่นหมายความว่าบทความ Knowledge ที่มีชื่อว่า “การอัปเดตรูปภาพ” ควรระบุว่า:
“เฉพาะผู้สมัครที่มีโปรไฟล์พรีเมียมที่สัญญาอนุญาตให้เปลี่ยนแปลงรูปภาพเท่านั้นที่สามารถอัปเดตรูปภาพของตนได้” - กำหนดแนวทางหลักและแนวทางป้องกันแยกจากกัน โดยไม่ขึ้นอยู่กับการสนทนา ให้คำอธิบายที่ชัดเจนและกระชับแก่ตัวแทนเกี่ยวกับพฤติกรรมหรือขั้นตอนที่คาดว่าจะเกิดขึ้น
ตามแนวทางปฏิบัติที่ดีที่สุดเหล่านี้ชุดคำสั่งที่ดีกว่าอาจมีลักษณะดังนี้:
คำสั่งที่ 1:
: “ใช้การดำเนินการให้ความรู้เพื่อตรวจสอบนโยบายในกรณีที่มีคำขอเปลี่ยนแปลงบัญชี”
คำสั่งที่ 2:
: “อย่าตอบคำถามที่ไม่พบนโยบายที่เกี่ยวข้อง”
การใช้แนวทางข้างต้นสามารถปรับปรุงผลลัพธ์ของตัวแทนได้ ตอนนี้ หากลูกค้าขอให้ตัวแทนทำการเปลี่ยนแปลงโปรไฟล์ ตัวแทนจะเข้าใจว่าจำเป็นต้องดึงข้อมูลนโยบายที่จำเป็นจากฐาน Knowledge, ตีความกฎที่ดึงข้อมูลมา, ใช้กฎเหล่านั้นกับบริบท และในที่สุดก็ตอบกลับลูกค้า ในทางตรงกันข้ามกับงการเขียนสคริปต์มากเกินไป แนวทางเชิงพฤติกรรมนี้เป็นแนวทางทั่วไปและใช้ได้อย่างกว้างขวางมากขึ้น ไม่ต้องเขียนการสนทนาที่เป็นไปได้แต่ละครั้ง ตอนนี้ตัวแทนสามารถตอบสนองได้อย่างยืดหยุ่นด้วยพฤติกรรมที่ต้องการไปยังหัวข้อการสนทนาที่หลากหลายยิ่งขึ้น
บังคับใช้ลำดับการดำเนินการ (ไม่สามารถใช้ได้กับสคริปต์ของตัวแทน)
พร้อมท์การสังเกตประกอบไปด้วยคำสั่งและคำอธิบายการดำเนินการ แต่ไม่มีลำดับที่ชัดเจน หากลำดับการดำเนินการมีความสำคัญ จะต้องระบุไว้อย่างชัดเจนภายในคำสั่งเดียวกัน โปรดทราบว่าด้วยสคริปต์ของตัวแทน เราสามารถบังคับใช้ลำดับการดำเนินการได้ด้วยการเปลี่ยนผ่าน ซึ่งจะอธิบายเพิ่มเติมในบทที่ 6
มาดูตัวอย่างของตัวแทนเว็บไซต์สรรหาบุคลากรกันต่อ ตัวแทนควรสามารถจัดการวางแผนการสัมภาษณ์กับผู้สัมภาษณ์ที่เหมาะสมได้ ในการดำเนินการดังกล่าว ตัวแทนควรตรวจสอบความพร้อมของผู้สรรหาบุคลากรก่อน จากนั้นจึงเสนอเวลาที่เป็นไปได้สามช่วงให้กับผู้สมัคร
ในกรณีนี้เพื่อรักษาลำดับการดำเนินการ คำสั่งไม่ควรอยู่ในกล่องแยกต่างหาก:
- คำสั่งที่ 1:
ตรวจสอบความพร้อมของผู้สัมภาษณ์ - คำสั่งที่ 2:
จากนั้นเสนอช่วงที่เหมาะสมให้กับผู้สมัคร
คำสั่งเหล่านี้ใช้ไม่ได้ เนื่องจากกลไกการประมวลผลโดยการใช้ตรรกะและกฎเกณฑ์ไม่ทราบว่าข้อความ "Then" ในคำสั่งที่ 2 หมายถึงอะไร เพราะคำสั่งต่างๆ จะได้รับการส่งไปที่กลไกการประมวลผลโดยการใช้ตรรกะและกฎเกณฑ์ร่วมกันเป็นกลุ่ม ไม่ใช่ตามลำดับที่เฉพาะเจาะจง
แต่ควรรวมคำสั่งที่กำหนดลำดับไว้ในข้อความเดียวและเขียนเป็น:
- คำสั่งที่ 1:
ตรวจสอบความพร้อมของผู้สัมภาษณ์ จากนั้นเสนอช่วงเวลาที่เหมาะสมให้กับผู้สมัคร
บังคับใช้เอาต์พุตของการดำเนินการ โดยไม่ต้องเขียนใหม่
กลไกการประมวลผลโดยการใช้ตรรกะและกฎเกณฑ์เป็น LLM ในตัวเอง มีหน้าที่รับผิดชอบในการสร้างคำตอบสุดท้ายตามลูปของตัวแทน จำเป็นต้องใช้แนวทางในการบังคับใช้คำสั่งของตัวแทนที่ให้แนวทางป้องกันในการสร้างการตอบสนอง หรือรวมเอาต์พุตจากการดำเนินการหลายอย่างที่เป็นส่วนหนึ่งของลูปของตัวแทนเพื่อตอบสนองคำขอของผู้ใช้
อย่างไรก็ตามเมื่อความคาดหวังคือมีการดำเนินการเพียงหนึ่งพร้อมท์ คำสั่งสามารถนำไปใช้เพื่อสั่งให้ตัวแทนไม่เปลี่ยนเอาต์พุตของการดำเนินการได้ การทำเช่นนี้จะช่วยให้มั่นใจได้ถึงพฤติกรรมของตัวแทนที่คาดเดาได้และเชื่อถือได้มากขึ้น
การบังคับใช้การปฏิบัติตามอย่างเคร่งครัดในแม่แบบพร้อมท์ที่ได้รับการอนุมัตินี้ถือเป็นสิ่งสำคัญในบางสถานการณ์ โดยเฉพาะอย่างยิ่งเมื่อความสม่ำเสมอ การปฏิบัติตามข้อบังคับ และการส่งข้อความที่กำหนดไว้ล่วงหน้ามีความสำคัญ นี่คือสองตัวอย่าง:
- อุตสาหกรรมที่มีการควบคุม: องค์กรที่ดำเนินงานในภาคส่วนที่มีการควบคุมสูง (เช่น การเงิน การดูแลสุขภาพ หรือกฎหมาย) มักต้องมีการควบคุมอย่างเข้มงวดในการสื่อสารกับลูกค้าทั้งหมด แม่แบบพร้อมท์ที่ได้รับการอนุมัติ ช่วยให้แน่ใจว่าการตอบกลับสอดคล้องกับข้อกำหนดทางกฎหมายและการกำกับดูแล ลดความเสี่ยงในการตีความผิด ความรับผิด หรือการเผยแพร่ข้อมูลที่ไม่ถูกต้อง
- การตอบกลับที่ทดสอบล่วงหน้าและตรวจสอบแล้ว: เมื่อแม่แบบพร้อมท์ได้รับการทดสอบและการตรวจสอบอย่างเข้มงวดเพื่อให้แน่ใจว่ามีความแม่นยำ มีประสิทธิผล และได้ผลลัพธ์ที่ต้องการ การเบี่ยงเบนจากแม่แบบเหล่านี้อาจบั่นทอนประสิทธิภาพและคุณค่าของแม่แบบได้ การปฏิบัติตามอย่างเคร่งครัดรับประกันว่าข้อความที่ได้รับการพิสูจน์แล้วจะถูกส่งมอบอย่างสม่ำเสมอ
คำสั่งนี้จำกัดอิสระของตัวแทนในการเปลี่ยนแปลงเอาต์พุตของการดำเนินการ ตรวจสอบให้แน่ใจว่าคำสั่งอ้างอิงผลลัพธ์ของแม่แบบพร้อมท์ (เช่น “promptResponse”) ดังที่แสดงในตัวติดตามแผนนี้
ดังนั้นคำสั่งในกรณีนี้อาจเป็น:
“
อย่าเปลี่ยนเอาต์พุต promptResponse ไม่ว่าตัวแทนจะอยู่ในช่องทางใดก็ตาม
”
ข้อจำกัดในการบังคับใช้การปฏิบัติตามอย่างเคร่งครัด:
เมื่อการโต้ตอบกำหนดให้มีการดำเนินการของตัวแทนที่แตกต่างกันหลายรายการ การบังคับใช้การปฏิบัติตามแม่แบบเดียวอย่างเคร่งครัดจะไม่สามารถทำได้ ในความเป็นจริง ในสถานการณ์นี้กลไกการประมวลผลโดยการใช้ตรรกะและกฎเกณฑ์จำเป็นต้องรวบรวมการดำเนินการเหล่านี้ไว้ในคำตอบเดียว ดังนั้นจึงต้องเปลี่ยนแปลงผลลัพธ์การดำเนินการแต่ละรายการ
จำนวนคำสั่งที่เหมาะสมที่สุด
ตามลักษณะ LLM ทั่วไป จำนวนคำสั่งเป้าหมายจะอยู่ระหว่าง 5 ถึง 10 ขึ้นอยู่กับความซับซ้อนของคำสั่งและการโต้ตอบคำสั่ง ลักษณะคำสั่งเหล่านี้มีอิทธิพลต่อจำนวนคำสั่งที่กลไกการประมวลผลโดยการใช้ตรรกะและกฎเกณฑ์ามารถปฏิบัติตามได้:
- ความชัดเจนและความเฉพาะเจาะจง: กฎที่กำหนดไว้อย่างชัดเจนนั้นง่ายต่อการปฏิบัติตาม
- ความขัดแย้งระหว่างกฎ: หากกฎนั้นมีความขัดแย้งกันเอง จำเป็นต้องมีตรรกะเพิ่มเติมเพื่อแก้ไขปัญหาเหล่านั้น
- ความยาวและความซับซ้อน: หากแต่ละกฎต้องการการประมวลผลโดยการใช้ตรรกะและกฎเกณฑ์เชิงลึก ให้พิจารณาแบ่งกฎออกเป็นคำสั่งขนาดเล็ก
หากคำสั่งมีความสำคัญมากที่จะต้องปฏิบัติตามอย่างชัดเจน ให้เพิ่มคำที่สะท้อนถึงความสำคัญของคำสั่งเหล่านั้น:
- ความเร่งด่วนและความสำคัญ (ทันที เร่งด่วน สำคัญ จำเป็น ต้องมี)
- การอนุญาตและการบังคับใช้ (จำเป็น บังคับ บังคับใช้อย่างเคร่งครัด)
- ผลที่ตามมาและคำเตือน (การละเมิดจะส่งผลให้ การไม่ปฏิบัติตามข้อบังคับจะนำไป สู่การไม่ปฏิบัติตามอาจส่งผลให้มีการใช้บทลงโทษที่เข้มงวด ไม่ยอมรับเด็ดขาด)
- ความชัดเจนและความตรงไปตรงมา (ต้อง เป็นสิ่งต้องห้าม ไม่ได้รับอนุญาต เสมอ/ไม่เคย)
การควบคุมตัวแทนระดับ 3: การสร้างรากฐาน
การอ้างอิงข้อมูลกับคำตอบจะช่วยเพิ่มความน่าเชื่อถือและความน่าเชื่อถือของตัวแทนได้เป็นอย่างมาก คำตอบที่เป็นเหตุเป็นผลจะอิงตามข้อมูลที่เป็นข้อเท็จจริง ไม่ใช่การคาดเดาหรือความรู้ที่ล้าสมัย การสร้างโดยการเสริมจากภายนอก (RAG) เป็นเทคนิคที่นำมาใช้กันอย่างแพร่หลาย ซึ่งช่วยให้ตัวแทนสามารถเข้าถึงและใช้ฐานความรู้เพื่อสร้างคำตอบที่ถูกต้องแม่นยำและเกี่ยวข้องกับบริบทมากขึ้น เมื่อพิจารณาจากคำถามของผู้ใช้ ตัวแทนจะใช้ RAG เพื่อดึงข้อมูลที่เกี่ยวข้องจากแหล่งข้อมูลที่ใช้ได้ โดยอิงตามการสอบถามของผู้ใช้ จากนั้นจึงเพิ่มข้อมูลดังกล่าวลงในพร้อมท์ก่อนส่งไปยัง LLM ตัวแทนที่ใช้ RAG มีคุณภาพ ความถูกต้องแม่นยำ และประโยชน์โดยรวมของการโต้ตอบระหว่างตัวแทนที่สูงขึ้น ซึ่งจะเพิ่มความมั่นใจและความพึงพอใจของผู้ใช้ แนวทางปฏิบัติที่ดีที่สุดสำหรับ RAG ได้รับการอธิบายไว้อย่างละเอียดในเอกสารข้อมูลเผยแพร่ต่อสาธารณะที่เรียกว่า Agentforce and RAG: best practices for better agents
Knowledge เทียบกับคำสั่ง
การแยกแยะระหว่างความรู้และคำสั่งเป็นสิ่งสำคัญ เมื่อต้องสร้างสมดุลที่เหมาะสมระหว่างคำแนะนำและความยืดหยุ่นเมื่อบรรลุวัตถุประสงค์ที่แตกต่างกัน:
- ความรู้: ลองนึกถึงความรู้ในฐานะห้องสมุดห ที่ตัวแทนสามารถเข้าถึงได้ในขณะที่สร้างคำตอบ ตัวอย่างเช่น เอกสารบทความให้ความรู้และเอกสารข้อมูล โปรดทราบว่าอาจรวมถึงนโยบายและกฎทั่วไปของบริษัท ความรู้อาจหมายถึงไฟล์ธุรกรรม เช่น อีเมล บันทึกการโทร และแม้แต่ประวัติการสนทนา (ตัวแทน) ท้ายที่สุด ความรู้จะรวมฟิลด์ข้อความยาวในข้อมูลที่มีโครงสร้าง โดยทั่วไปความรู้จะถูกนำไปยังตัวแทนผ่าน RAG
- คำสั่ง: ลองนึกถึงคำสั่งว่าเป็นชุดกฎขั้นต่ำ ที่ชี้แจงให้ตัวแทนทราบว่าควรใช้การดำเนินการแต่ละอย่างเมื่อใด คำสั่งยังอาจกำหนดแนวทางป้องกันไว้ในการสนทนาทั้งหมด เช่น โทนเสียงที่ต้องใช้ บ่อยครั้งที่คำสั่งสามารถทำให้กระชับและยืดหยุ่นมากขึ้น โดยไม่สูญเสียความชัดเจนหรือจุดประสงค์ แทนที่จะให้สคริปต์ที่เข้มงวดพร้อมการตอบสนองที่เฉพาะเจาะจงสำหรับทุกสถานการณ์ของลูกค้าที่เป็นไปได้ ให้พิจารณานำแนวปฏิบัติและหลักการทั่วไปมาใช้ ซึ่งช่วยให้ตัวแทนเลือกการดำเนินการที่ถูกต้องในสถานการณ์ต่างๆ ได้
การสร้างโดยการเสริมจากภายนอก (RAG)
การสร้างโดยการเสริมจากภายนอก (RAG) ทำหน้าที่เป็นเลเยอร์ข้อมูลอัจฉริยะสำหรับองค์ความรู้ ช่วยให้ตัวแทนสามารถเข้าถึงข้อมูลได้ในรูปแบบต่างๆ และระบุส่วนของข้อความที่เกี่ยวข้องสำหรับการตอบคำถาม RAG จะทำให้ตัวแทนได้รับการตอบสนองของ LLM ที่แม่นยำยิ่งขึ้น โดยไม่ทำให้พร้อมท์ LLM มีเนื้อหาที่ไม่เกี่ยวข้องมากเกินไปหรือเกินหน้าต่างบริบท
ในขณะที่ทำงาน RAG จะดำเนินการสามขั้นตอน:
- การดึงข้อมูล: ระบบ AI จะค้นหาฐานข้อมูลขนาดใหญ่หรือแหล่งความรู้เพื่อรวบรวมข้อมูลที่เกี่ยวข้องสำหรับพร้อมท์ LLM ซึ่งทำได้โดยใช้การค้นหาความหมาย ซึ่งเป็นเทคนิคที่ซับซ้อนกว่าเมื่อเทียบกับการค้นหาตามคีย์เวิร์ดแบบดั้งเดิม การค้นหาความหมายจะเข้าใจความหมายหรือบริบทเบื้องหลังคำ ต่างจากการค้นหาตามคีย์เวิร์ดแบบดั้งเดิม ซึ่งต้องตรงกับคำทั้งตัวอักษร ระบุข้อมูลที่เกี่ยวข้องตามแนวคิดหรือความสัมพันธ์ระหว่างคำ แทนที่จะมองหาคำที่ตรงกันทุกตัวอักษร การค้นหาตามคีย์เวิร์ดสามารถมีบทบาทในกระบวนการดึงข้อมูลนี้ได้เช่นกัน จะช่วยเพิ่มประสิทธิภาพให้กับการค้นหาเชิงความหมายด้วยการจับคู่คีย์เวิร์ดกับคำศัพท์หรือชื่อเฉพาะ ประเภทการค้นหานี้เรียกว่าการค้นหาแบบไฮบริด
- การเสริม: ข้อมูลที่ดึงมาจะถูกเพิ่มลงในพร้อมท์
- การสร้าง: LLM สร้างการตอบสนองที่เหมาะสมตามบริบทและแม่นยำยิ่งขึ้นด้วยพร้อมท์ที่ได้รับการเสริมด้วยความรู้ที่ดึงมา
ใน Agentforce สามารถใช้ RAG ได้โดยมีหรือไม่มีแม่แบบพร้อมท์:
- RAG ตามพร้อมท์: ในแนวทางนี้ คำสั่งที่ระบุวิธีสร้างการตอบกลับจะอยู่ในคำสั่งพร้อมท์ในแม่แบบพร้อมท์ ในกรณีนี้ การตอบสนองจะขึ้นอยู่กับสิ่งที่ LLM สร้างขึ้นทั้งหมด นอกเหนือจากคำสั่งพร้อมท์แล้ว ยังมีวิธีที่จะมีอิทธิพลต่อการตอบสนอง เช่น การตั้งค่าการกำหนดค่า LLM ใน Einstein Studio แต่ผลลัพธ์ยังคงไม่เป็นนิยัตินิยม
- RAG ตามกลไกการประมวลผลโดยการใช้ตรรกะและกฎเกณฑ์: แทนที่จะใช้แม่แบบพร้อมท์ ตัวแทนจะใช้การดำเนินการที่ดึงข้อมูลส่วนต่างๆ (ผ่านโฟลว์หรือคลาส Apex) และจัดเก็บไว้ในตัวแปร (ดูส่วนถัดไป) ในแนวทางนี้ กลไกการประมวลผลโดยการใช้ตรรกะและกฎเกณฑ์ (แทนที่จะเป็น LLM) จะสร้างคำตอบโดยตรงโดยอิงจากข้อมูลที่ดึงมา คำสั่งที่ควบคุมการสร้างการตอบกลับเป็นคำสั่งของตัวแทน แทนที่จะเป็นคำสั่งแม่แบบพร้อมท์ ตัวแปรที่มีเนื้อหาที่ดึงมายังสามารถส่งผ่านเป็นอินพุตไปยังการดำเนินการได้อย่างชัดเจน นอกจากนี้ ยังสามารถมอบให้กับกลไกการประมวลผลโดยการใช้ตรรกะและกฎเกณฑ์ได้โดยให้สิทธิ์การเข้าถึงเนื้อหาของตัวแปรเริ่มต้น แนวทางนี้มีสิ่งที่ต้องแลก มีความเสี่ยงที่อาจเกิดขึ้นจากการโอเวอร์โหลดกลไกการประมวลผลโดยการใช้ตรรกะและกฎเกณฑ์ด้วยเนื้อหาและความรับผิดชอบ ยิ่งไปกว่านั้น พารามิเตอร์ LLM ของกลไกการประมวลผลโดยการใช้ตรรกะและกฎเกณฑ์ไม่สามารถกำหนดค่าได้ ซึ่งต่างจากพร้อมท์ ในทางกลับกัน กลไกการประมวลผลโดยการใช้ตรรกะและกฎเกณฑ์กลับสามารถสร้างคำตอบได้โดยใช้ทั้งกลุ่มที่ดึงข้อมูลมา รวมถึงประวัติการสนทนา
วิธีที่แนะนำคือตัวเลือกที่ 1 ซึ่งจะช่วยลดจำนวนงานที่กลไกการประมวลผลโดยการใช้ตรรกะและกฎเกณฑ์ควรดำเนินการและปรับปรุงคุณภาพคำตอบ ส่วนถัดไปจะสำรวจข้อยกเว้นของกฎนี้ ซึ่งเนื้อหาจะได้รับการเก็บรักษาไว้ตลอดการสนทนาทำให้ได้รับการดำเนินการอย่างชัดเจน
แนวทางปฏิบัติที่ดีที่สุดของ RAG
- หลีกเลี่ยงคำสั่ง RAG ที่มีสคริปต์: แทนที่จะเชื่อมโยงคำสั่งโดยตรงกับบทความเฉพาะสำหรับคำถามที่เฉพาะเจาะจง ให้ใช้ประโยชน์จากความชาญฉลาดของ RAG เพื่อค้นหาแหล่งข้อมูลที่เกี่ยวข้องมากที่สุดและส่วนข้อความที่แม่นยำแบบไดนามิก กระบวนการจับคู่ของ RAG ขึ้นอยู่กับความเข้าใจคำถามในวงกว้าง ไม่ใช่แค่การเชื่อมโยงคำถามกับแหล่งที่มาโดยตรง
- รวมประเด็น: จัดกลุ่มหมวดหมู่คำถามที่เกี่ยวข้องภายใต้ประเด็นเดียว RAG สามารถระบุคำตอบที่เกี่ยวข้องได้อย่างมีประสิทธิภาพตามประเภทคำถาม แม้จะอยู่ในหัวข้อที่กว้างขึ้นก็ตาม ตัวอย่างเช่น ปัญหาของสินค้า เช่น รวมปัญหาเกี่ยวกับการดูแลรักษาและแบตเตอรี่ไว้ในประเด็นเดียวที่ครอบคลุมมากขึ้นได้
- จัดเก็บเอาต์พุต RAG ในตัวแปร: เมื่อถึงขีดจำกัดการโต้ตอบแล้ว ให้จัดเก็บเอาต์พุต RAG ไว้ในตัวแปร วิธีนี้จะช่วยให้สามารถเข้าถึงข้อมูลเพื่อแนะนำการโต้ตอบของตัวแทนที่มากกว่าเกณฑ์มาตรฐานได้ จะมีการนำเสนอตัวอย่างนี้ในส่วนถัดไป
การควบคุมตัวแทนระดับ 4: ตัวแปร
กระบวนการทางธุรกิจบางอย่างต้องการการดำเนินการที่คาดการณ์ได้มากขึ้น เช่น การบังคับใช้ลำดับการดำเนินการหรือเงื่อนไขเฉพาะสำหรับการเรียกใช้การดำเนินการหรือหัวข้อ
สามารถใช้ตัวแปรได้เพื่อให้บรรลุพฤติกรรมแบบนิยัตินิยมนี้ ตัวแปรทำหน้าที่เป็นรูปแบบที่มีโครงสร้างของหน่วยความจำตัวแทนระยะสั้นที่สามารถทำหน้าที่เป็นอินพุตหรือเอาต์พุตการดำเนินการ นอกจากนี้ สถานะของตัวแปรยังสามารถควบคุมการเรียกใช้หัวข้อและการดำเนินการเฉพาะได้อีกด้วย
วิธีที่ตัวแปรสนับสนุนนิยัตินิยม
ตัวแปรสามารถช่วยให้บรรลุนิยัตินิยมแบบมีคำแนะนำของตัวแทนได้ด้วยวิธีต่อไปนี้:
- การสร้างรากฐานแบบไดนามิก: ตัวแปรช่วยให้ตัวแทนสามารถอัปเดตความเข้าใจของตนเกี่ยวกับโลกได้อย่างต่อเนื่อง ในขณะที่ยังคงรักษาข้อมูลสำคัญที่ยังคงไม่ได้รับผลกระทบจากการโต้ตอบในภายหลังใดๆ ได้ วิธีนี้ช่วยให้มั่นใจได้ว่าข้อมูลที่สำคัญ ซึ่งสามารถดึงข้อมูลที่ไม่มีโครงสร้างผ่าน RAG หรือข้อมูลที่มีโครงสร้าง เช่น ข้อมูลโปรไฟล์ผู้ใช้ จะได้รับการเก็บรักษาไว้ตลอดการสนทนาโดยไม่อิงกับระยะเวลาการสนทนา
- อินพุต/เอาต์พุตการดำเนินการ: สามารถใช้ตัวแปรเป็นทั้งอินพุตและเอาต์พุตสำหรับการดำเนินการได้ การดำเนินการนี้หมายถึงตัวแปรอย่างชัดเจน และการดำเนินการไม่ได้ขึ้นอยู่กับกลไกการประมวลผลโดยการใช้ตรรกะและกฎเกณฑ์ในการตั้งค่าอินพุตและเอาต์พุตเหล่านี้ ซึ่งจะเพิ่มนิยัตินิยมของตัวแทน
- การกรอง: สามารถใช้ตัวแปรเพื่อกำหนดการดำเนินการตามเงื่อนไขของการดำเนินการหรือหัวข้อ ตัวแปรช่วยให้มีโฟลว์ข้อมูลที่เฉพาะเจาะจงระหว่างการดำเนินการและนิยัตินิยมไว้ในการดำเนินการ ความสามารถนี้มีความสำคัญอย่างยิ่งสำหรับกฎความปลอดภัยที่ไม่สามารถเริ่มต้นการดำเนินการได้ หากตัวแปรอินพุตที่เฉพาะเจาะจง เช่น อีเมลไม่ได้รับการตรวจสอบ
ประเภทของตัวแปรใน Agentforce
Agentforce มีตัวแปรสองประเภท:
- ตัวแปรบริบทเป็นตัวแปรที่ระบบสร้างขึ้น ซึ่งเก็บข้อมูลเกี่ยวกับผู้ใช้และเซสชันการสนทนา
- ผู้ใช้สามารถสร้างอินสแตนซ์ตัวแปรที่กำหนดเองได้ ซึ่งจะเก็บข้อมูลประเภทใดก็ได้ที่ใช้กับหนึ่งในสามวิธีที่ตัวแปรสนับสนุนนิยัตินิยม
ประเภทตัวแปรรองรับความสามารถต่อไปนี้:
| ตัวแปรบริบท | ตัวแปรที่กำหนดเอง | |
|---|---|---|
| สร้างตัวอย่างโดยผู้ใช้ได้ | X | ✓ |
| สามารถเป็นอินพุตของการดำเนินการได้ | ✓ | ✓ |
| สามารถเป็นเอาต์พุตของการดำเนินการได้ | X | ✓ |
สามารถอัปเดตตามการดำเนินการได้ |
X | ✓ |
| สามารถนำมาใช้ในตัวกรองของการดำเนินการและหัวข้อได้ | ✓ | ✓ |
ตัวอย่างเคสการใช้งาน: ตัวแทนการแก้ไขปัญหา
มาเจาะลึกตัวแปรเพิ่มเติมด้วยกรณีการใช้งานตัวอย่าง: ตัวแทนการแก้ไขปัญหาที่ติดต่อกับลูกค้า ในตัวอย่างนี้ ตัวแปรจะถูกใช้เพื่อวัตถุประสงค์ทั้งสามประการ ได้แก่ การสร้างรากฐานแบบไดนามิกต่อเนื่อง อินพุต/เอาต์พุตการดำเนินการ และการกรอง
ในตัวอย่างนี้ ตัวแทนจะช่วยลูกค้าแก้ไขปัญหาอุปกรณ์ทางเทคนิค การแก้ไขปัญหาโดยทั่วไปเกี่ยวข้องกับการดำเนินการหลายขั้นตอน ตัวแทนควรเสนอประสบการณ์การบริการที่เลียนแบบการทำงานของตัวแทนบริการที่เป็นมนุษย์ ในการดำเนินการดังกล่าว ตัวแทนไม่ควรให้ขั้นตอนการแก้ไขปัญหาทั้งหมดแก่ลูกค้าในครั้งเดียว แต่ควรเสนอคำแนะนำแบบทีละขั้นตอน ควบคู่ไปกับความสามารถในการดำเนินการระหว่างขั้นตอนต่างๆ (รวมถึงการกลับไปยังขั้นตอนที่ครอบคลุมก่อนหน้านี้) โดยอิงตามวิธีที่ลูกค้าตอบสนอง
ความท้าทายประการหนึ่งคือความสามารถของตัวแทนในการรักษาขั้นตอนการแก้ไขปัญหาทั้งหมดตลอดการสนทนา เนื่องจากหน่วยความจำที่จำกัดของตัวแทน เนื่องจากจำนวนการโต้ตอบที่จำกัดจึงสามารถจัดเก็บได้ ขั้นตอนเหล่านี้สามารถลดลงจากบริบทของกลไกการประมวลผลโดยการใช้ตรรกะและกฎเกณฑ์ได้ หากการสนทนายาวขึ้น
วิธีแก้ไขปัญหานี้คือการใช้ตัวแปรเพื่อสร้างกลไกการประมวลผลโดยการใช้ตรรกะและกฎเกณฑ์แบบไดนามิกในขั้นตอนการแก้ไขปัญหา การดึงข้อมูลและจัดเก็บไว้ในตัวแปรจะยังคงพร้อมใช้งานและสามารถอัปเดตได้ตลอดการสนทนา กลไกการประมวลผลโดยการใช้ตรรกะและกฎเกณฑ์จะใช้ข้อมูลที่จัดเก็บไว้ในตัวแปรนี้สำหรับการสร้างรากฐานแบบไดนามิก
การดึงข้อมูล การตั้งค่า และการใช้ขั้นตอนการแก้ไขปัญหา
ในตัวอย่างนี้ หัวข้อจะมีการดำเนินการสองแบบ การดำเนินการทั้งสองนี้จำเป็นต่อการรักษาโฟลว์ข้อมูลที่สอดคล้องกัน การดำเนินการแรกใช้เพื่อเติมข้อมูลตัวแปรที่มีขั้นตอนการแก้ไขปัญหาทั้งหมด การดำเนินการที่สองจะใช้ตัวแปรดังกล่าวในระหว่างการแก้ไขปัญหา
- การดำเนินการที่ 1: “เติมข้อมูลขั้นตอนการแก้ไขปัญหา” นี่คือการดำเนินการเริ่มต้น ซึ่งเรียกใช้โดยการแนะนำปัญหาครั้งแรกของตัวแทน ใช้การสร้างโดยการเสริมจากภายนอก (RAG) เพื่อดึงขั้นตอนการแก้ไขปัญหาที่จำเป็นทั้งหมดออกจากฐาน Knowledge ที่ทำดัชนีไว้ การดำเนินการจะจัดเก็บเอาต์พุตผลลัพธ์ในตัวแปรที่ชื่อว่า ‘ขั้นตอนการแก้ไขปัญหา’
- การดำเนินการที่ 2: “ใช้ในระหว่างการแก้ไขปัญหา” นี่คือการดำเนินการตามพร้อมท์ที่แสดงขั้นตอนการแก้ไขปัญหาถัดไปที่มีแนวโน้มมากที่สุดที่จะใช้ในระหว่างกระบวนการแก้ไขปัญหา ตัวแทนได้รับคำสั่งให้ใช้การดำเนินการนี้ในระหว่างการแก้ไขปัญหา
คำถามเดิมของลูกค้าคือการป้อนข้อมูลการดำเนินการทั้งสอง การดำเนินการที่สองมีอินพุตอื่น: เนื้อหาของตัวแปร “ขั้นตอนการแก้ไขปัญหา” ตัวแปรนี้ถูกกำหนดโดยการดำเนินการแรก โปรดทราบว่าการดำเนินการที่สองจะไม่ดึงขั้นตอนการแก้ไขปัญหาออกมาเอง แต่จะรับข้อมูลเหล่านี้เป็นอินพุตจากการดำเนินการแรกผ่านตัวแปรแทน แผนภาพต่อไปนี้แสดงโฟลว์ข้อมูลระหว่างการดำเนินการทั้งสอง
การดำเนินการ ‘ใช้ในระหว่างการแก้ไขปัญหา’ จะอ้างอิงถึงขั้นตอนการแก้ไขปัญหาเดิมที่ได้รับจากการดำเนินการตามขั้นตอนการแก้ไขปัญหาเสมอ โฟลว์ข้อมูลนี้ช่วยให้มั่นใจได้ว่าขั้นตอนการแก้ไขปัญหาจะได้รับการดูแลอย่างสอดคล้องกันและมีอยู่เสมอ โดยไม่ขึ้นกับระยะเวลาของการสนทนา
การใช้ตัวกรองเพื่อให้แน่ใจถึงลำดับการใช้การดำเนินการ
ในการดำเนินการตามที่กำหนดไว้ในตัวอย่างนี้จำเป็นต้องมีคำสั่งเฉพาะ เช่น “ดำเนินการ ‘เติมข้อมูลขั้นตอนการแก้ไขปัญหา’ ก่อนเสมอ” อย่างไรก็ตาม เนื่องจากลักษณะที่ไม่แน่นอนของ LLM ที่ตัวแทนใช้จึงอาจส่งผลให้เกิดลำดับที่แตกต่างกันในบางกรณี เพื่อให้แน่ใจว่ามีคำสั่งการดำเนินการแบบนิยัตินิยม เราจึงแนะนำตัวกรองแบบมีเงื่อนไขบนตัวแปรเหล่านี้เพื่อบังคับใช้ลำดับการดำเนินการที่เหมาะสม ตัวแทนจะอ่านค่าของตัวแปร ‘ขั้นตอนการแก้ไขปัญหา’ และกำหนดตัวกรองสองตัวโดยอิงจากว่าตัวแปรนี้มีค่าหรือไม่
- สามารถดำเนินการขั้นตอนการแก้ไขปัญหาได้เฉพาะเมื่อตัวแปร ‘ขั้นตอนการแก้ไขปัญหา’ ว่างเปล่า
- สามารถดำเนินการ ‘ใช้ในระหว่างการแก้ไขปัญหา’ ได้ก็ต่อเมื่อมีการเติมตัวแปร ‘ขั้นตอนการแก้ไขปัญหา’ เท่านั้น
ตอนนี้ตัวกรองแบบมีเงื่อนไขเหล่านี้จะบังคับใช้ลำดับการดำเนินการอย่างแน่นอน: ‘.ช้ในระหว่างการแก้ไขปัญหา’ ต้องรอจนกว่า ‘ขั้นตอนการแก้ไขปัญหา’ จะเสร็จสิ้นการทำงาน จึงรับประกันได้ว่าตัวแปร ‘ขั้นตอนการแก้ไขปัญหา’ จะมีค่าเสมอ
เพื่อให้แน่ใจว่าการดำเนินการนั้นถูกต้อง จึงจำเป็นต้องมีการดำเนินการที่สามเพื่อรีเซ็ตตัวแปร ‘ขั้นตอนการแก้ไขปัญหา’ หากปัญหาได้รับการแก้ไขอย่างครบถ้วน ด้วยเหตุนี้ ตัวแทนจึงถูกรีเซ็ตกลับสู่สถานะที่จำเป็นเพื่อช่วยแก้ไขปัญหาใหม่ที่แตกต่าง ซึ่งอาจเกิดขึ้นได้ การดำเนินการที่สามนี้เรียกว่า ‘ล้างตัวแปรการแก้ไขปัญหา’ แผนภาพการดำเนินการทั้งหมดแสดงอยู่ด้านล่าง
ตัวแปรมีความสำคัญต่อการช่วยให้ตัวแทนการแก้ไขปัญหาของเราสามารถแก้ไขปัญหาของลูกค้าได้โดย:
- การสร้างรากฐานแบบไดนามิก ตัวแปรจะจัดเก็บขั้นตอนการแก้ไขปัญหา เพื่อให้แน่ใจว่าสามารถใช้งานได้ตลอดการสนทนา โดยไม่คำนึงถึงระยะเวลาหรือจำนวนการโต้ตอบ วิธีนี้จะช่วยป้องกันไม่ให้ตัวแทนลืมบริบท
- โฟลว์ข้อมูล: ตัวแปรช่วยอำนวยความสะดวกโฟลว์ข้อมูละหว่างการดำเนินการ ตัวอย่างเช่น ตัวแปร ‘ขั้นตอนการแก้ไขปัญหา’ จะจัดเก็บขั้นตอนการแก้ไขปัญหาที่ดึงมาจากการดำเนินการขั้นตอนการแก้ไขปัญหา และเป็นอินพุตของการดำเนินการใช้ในระหว่างการแก้ไขปัญหา
- นิยัตินิยม: สามารถใช้ตัวแปรเป็นตัวกรองเพื่อบังคับใช้ลำดับการดำเนินการที่เฉพาะเจาะจงได้ ตัวอย่างเช่น การดำเนินการในระหว่างการแก้ไขปัญหาจะดำเนินการก็ต่อเมื่อมีการเติมตัวแปรขั้นตอนการแก้ไขปัญหาแล้วเท่านั้น เพื่อให้แน่ใจว่าการดำเนินการขั้นตอนการแก้ไขปัญหาจะทำงานก่อน
ตัวแปรที่จะคงไว้ซึ่งผลลัพธ์ของโมเดลเชิงคาดการณ์
ในยุคของ AI การสร้าง AI เชิงคาดการณ์ยังคงมีความสำคัญอย่างยิ่ง เนื่องจาก AI เชิงคาดการณ์ทำให้เกิดระบบอัจฉริยะพื้นฐานที่คอยแนะนำ ยกระดับ และกำหนดบริบทให้กับขีดความสามารถในการสร้างสรรค์ ในขณะที่ AI การสร้างจะเน้นไปที่การสร้างเนื้อหาใหม่ เช่น ข้อความ รูปภาพ หรือวิดีโอ แต่โมเดลเชิงคาดการณ์จะทำการคาดการณ์เกี่ยวกับอนาคตโดยอิงจากอินพุตจากข้อมูลทางธุรกิจแบบเรียลไทม์ ตัวอย่างผลลัพธ์ทางธุรกิจ ได้แก่ ความเป็นไปได้ของลูกค้าที่จะเปลี่ยนใจ ความเป็นไปได้ของคอนเวอร์ชัน ความเป็นไปได้ในการยกระดับเคส มูลค่าตลอดอายุการใช้งานของลูกค้า และการจำแนกประเภทเคส การคาดการณ์สามารถช่วยคาดการณ์ความต้องการของผู้ใช้ ปรับแต่งเอาต์พุตแบบเฉพาะบุคคล กำหนดการตัดสินใจ เพิ่มประสิทธิภาพความเกี่ยวข้องของเนื้อหาแบบเรียลไทม์ โดยทั้งหมดนี้ทำได้โดยการวิเคราะห์แนวโน้มและตัวเลข ตัวอย่างเช่น ในแอปพลิเคชันอย่างการเรียนรู้แบบเฉพาะบุคคล การดูแลสุขภาพ หรือการวางแผนทางการเงิน AI เชิงคาดการณ์ช่วยให้แน่ใจว่าผลลัพธ์เชิงสร้างสรรค์สอดคล้องกับบริบทของแต่ละบุคคลและสถานการณ์ในอนาคตที่อาจเกิดขึ้น รวม AI เชิงคาดการณ์และการสร้างเข้าด้วยกันเพื่อสร้างการทำงานร่วมกันที่ทรงพลังผสานการมองการณ์ไกลเข้ากับความคิดสร้างสรรค์ เพื่อขับเคลื่อนโซลูชันเทคโนโลยีที่ชาญฉลาด ปรับตัวได้ และมีประสิทธิภาพมากขึ้น
วิธีการผสานรวมผลลัพธ์ของโมเดลเชิงคาดการณ์ลงในเวิร์กโฟลว์ของตัวแทน
หากต้องการรวมเอาต์พุตโมเดลเชิงคาดการณ์ไว้ในเวิร์กโฟลว์ของตัวแทนเพียงเพิ่มการดำเนินการโมเดลเชิงคาดการณ์ลงในแอสเซท Agentforce ตัวสร้างโมเดลมีวิธีการสร้างหรือลงทะเบียนโมเดลเชิงคาดการณ์ (BYO) จากนั้นตัวแทนจะใช้โมเดลเหล่านี้เพื่อทำการคาดการณ์ สามารถจัดเก็บการคาดการณ์ผลลัพธ์ (รวมถึงตัวคาดการณ์) ไว้ในตัวแปรที่กำหนดเองได้ ตัวแทนสามารถใช้ค่าตัวแปรเหล่านี้เป็นอินพุตไปยังและปรับแต่งการดำเนินการการดำเนินการและหัวข้อเฉพาะได้
ตัวอย่างเคสการใช้งานที่รวมเข้ากับโมเดลเชิงคาดการณ์
- การแบ่งส่วน: ดำเนินการจำแนกประเภทหลายคลาสสำหรับการแบ่งกลุ่มลูกค้า และใช้ส่วนผลลัพธ์เพื่อกรองการดำเนินการที่เจาะจง เช่น สำรองการดำเนินการพรีเมียมสำหรับลูกค้าระดับพรีเมียม
- โอกาสในการยกระดับ: คาดการณ์ความเป็นไปได้ในการยกระดับสำหรับเคสบริการ หากความเป็นไปได้นี้เกินเกณฑ์ที่กำหนด อนุญาตให้ดำเนินการที่แก้ไขเคสได้เร็วขึ้นหรือส่งต่อเคสไปยังตัวแทนที่เป็นมนุษย์ได้เร็วขึ้น
- CPG: วางแผนโปรโมชันเฉพาะเมื่อการเพิ่มยอดขาย (คะแนนที่คำนวณโดยโมเดลเชิงคาดการณ์) เกินเกณฑ์ที่กำหนดเท่านั้น
- การพาณิชย์: เสนอผลิตภัณฑ์เฉพาะเมื่อแนวโน้มที่จะซื้อเกินเกณฑ์ที่กำหนดเท่านั้น
การควบคุมตัวแทนระดับ 5: การดำเนินการที่นิยัตินิยม
กระบวนการทางธุรกิจบางอย่างจำเป็นต้องดำเนินการตามคำสั่งที่แม่นยำ และไม่จำเป็นต้องมีอินพุตผู้ใช้ในระหว่างการดำเนินการ ในกรณีนี้ สามารถบังคับใช้ขั้นตอนที่กำหนดไว้ล่วงหน้าผ่านโฟลว์, API หรือ Apex ได้ หากคุณมีโฟลว์อยู่แล้วซึ่งต้องใช้งานในการผลิต ตัวแทนสามารถเก็บและใช้โฟลว์นั้นเพื่อดำเนินการตามกระบวนการทางธุรกิจดังกล่าวได้ ซึ่งถือเป็นข้อบ่งชี้ที่ดี ตัวอย่างทั้งหมดต่อไปนี้รวมถึงลำดับขั้นตอนที่กำหนดไว้ล่วงหน้า ซึ่งตัวแทนสามารถดำเนินการได้โดยไม่ต้องมีอินพุตผู้ใช้ พฤติกรรมของตัวแทนในกรณีนี้ ประกอบด้วยการระบุกระบวนการแบบนิยัตินิยมที่จะดำเนินการ วิธีการรวบรวมอินพุตที่จำเป็น และวิธีการตีความและประมวลผลผลลัพธ์
กระบวนการทางธุรกิจที่มีขั้นตอนตามลำดับหลายขั้นตอน (โดยหลักการแล้วมากกว่าสามขั้นตอน) และการพึ่งพาตัวแปรจำนวนมากกลายเป็นเรื่องซับซ้อนเกินไปและยุ่งยากในการบังคับใช้ด้วยคำสั่ง ในกรณีนี้สามารถทำการฮาร์ดโค้ดได้ โดยใช้ประเภทการดำเนินการแบบนิยัตินิยมที่ระบุไว้ในส่วนนี้ สุดท้ายโปรดทราบว่าการนำไปใช้เหล่านี้ อาจรวมถึงองค์ประกอบที่ไม่แน่นอน เช่น การเรียกใช้ LLM ด้วยแม่แบบพร้อมท์ที่ได้รับการแก้ไขแล้ว ดังนั้นจึงไม่จำเป็นต้องเป็นแบบนิยัตินิยมโดยสมบูรณ์ตั้งแต่ต้นจนจบ และยังสามารถแสดงให้เห็นถึงระดับความราบรื่นที่ต้องการซึ่งตัวแทนเป็นที่รู้จัก
ลำดับขั้นตอนในเส้นทางการตลาดจะถูกกำหนดโดยกฎตายตัว และไม่อิงจากอินพุตการสนทนาของผู้ใช้ ดังนั้นจึงสามารถใช้โฟลว์เป็นการดำเนินการ Agentforce ได้ สามารถสร้างการดำเนินการที่สามารถเรียกได้เพื่อทำงานเบื้องหลังหรืองานที่เรียกใช้เหตุการณ์ให้เสร็จสิ้นจากองค์ประกอบโซลูชันที่สามารถเรียกใช้โฟลว์หรือคลาส Apex ได้ เพิ่มการดำเนินการที่สามารถเรียกได้ลงในโฟลว์หรือคลาส Apex แล้วระบุงานที่ตัวแทนต้องทำให้เสร็จสิ้น รวมถึงเงื่อนไขที่ทริกเกอร์ตัวแทน การดำเนินการที่สามารถเรียกได้ยังสามารถดำเนินการตัวแปรบริบทของตัวแทนและส่งต่อข้อมูลสำคัญได้อีกด้วย
โฟลว์
สามารถใช้โฟลว์ของ Salesforce เพื่อทำให้งานประจำวันเป็นระบบอัตโนมัติ เช่น การสร้างงานติดตามผล การส่งอีเมลแจ้งเตือน หรือการอัปเดตบันทึก โฟลว์ทำให้การทำงานมีประสิทธิภาพและประสิทธิผลมากขึ้น ตัวแทนยังสามารถดำเนินการตามโฟลว์ โดยใช้การดำเนินการตามโฟลว์ได้อีกด้วย เนื่องจากนิยัตินิยมของตัวแทน โฟลว์จึงเป็นวิธีที่ดีในการชี้นำพฤติกรรมของตัวแทน เมื่อจำเป็นต้องดำเนินกระบวนการทางธุรกิจในลำดับที่เฉพาะเจาะจง สิ่งบ่งชี้ที่ดีว่าเมื่อใดที่ควรใช้การดำเนินการตามโฟลว์ คือเมื่อหัวข้อจะมีคำสั่งเช่น “ทำสิ่งนี้ก่อน จากนั้นจึงทำสิ่งนี้ และสุดท้ายทำสิ่งนี้” การบังคับใช้ลำดับของขั้นตอนมากกว่าสามขั้นตอน กลายเป็นเรื่องยุ่งยากในการจัดการผ่านคำสั่งและตัวแปร
โฟลว์ยังสามารถรวมถึงองค์ประกอบที่ไม่ใช่แบบนิยัตินิยมได้ด้วยการเรียกใช้พร้อมท์ โหนดพร้อมท์ในโฟลว์จะเรียกใช้แม่แบบพร้อมท์และรวบรวมการตอบสนองที่สามารถส่งต่อไปยังองค์ประกอบอื่นๆ ในโฟลว์ได้ องค์ประกอบเพิ่มเติมเหล่านี้อาจเป็นโหนดพร้อมท์อีกครั้ง เช่น การสรุปการตอบกลับก่อนหน้านี้ จึงสร้างห่วงโซ่ของพร้อมท์ขึ้นมา สิ่งนี้มีประโยชน์อย่างยิ่งเมื่อกฎสำหรับสายโซ่พร้อมท์ถูกกำหนดโดยองค์ประกอบคงที่และไม่ขึ้นอยู่กับอินพุตผู้ใช้ ตัวอย่างหนึ่งคือ RAG ตัวแทน ซึ่งลำดับที่กำหนดไว้ล่วงหน้าของตัวดึงข้อมูลหรือพร้อมท์ในโฟลว์สามารถเข้าถึงแหล่งข้อมูลเฉพาะในลำดับที่เฉพาะเจาะจง เช่น การดึงข้อมูลจากเอกสารประเทศของผู้ใช้ ก่อนที่จะปรึกษาแหล่งที่มาอื่นตามความจำเป็น กลไกสายโซ่นี้บังคับใช้การดึงข้อมูลที่เกี่ยวข้องอย่างเชื่อถือได้และเป็นไปตามลำดับ
การดำเนินการ Apex และ API
คล้ายกับโฟลว์ การดำเนินการ Apex และ API จะเป็นแบบนิยัตินิยมว่าสามารถเขียนโค้ดลำดับการดำเนินการที่กำหนดไว้ล่วงหน้าได้ การดำเนินการเหล่านี้อาจรวมถึงองค์ประกอบที่ไม่แน่นอน เช่น การเรียกใช้แม่แบบพร้อมท์หรือการเรียกใช้ LLM อย่างไรก็ตาม ในคำจำกัดความจะดำเนินการตามขั้นตอนเหล่านี้แบบนิยัตินิยม ซึ่งจะช่วยลดความผันแปรของตัวแทนด้วยการเรียกใช้การดำเนินการในเวลาที่เหมาะสม รวบรวมอินพุตที่จำเป็น และประมวลผลเอาต์พุต ความรับผิดชอบเหล่านี้ยังคงต้องอยู่ภายใต้การกำกับดูแลของตัวแทน ดังนั้นจึงไม่ใช่แบบนิยัตินิยม การดำเนินการ Apex และ API เป็นการดำเนินการตามขั้นตอนแบบดั้งเดิมที่เทียบเท่ากับการดำเนินการตามโฟลว์
การควบคุมตัวแทนระดับ 6: การควบคุมที่นิยัตินิยมด้วยสคริปต์ของตัวแทน
จากการใช้ความน่าจะเป็นสู่การใช้เหตุผลที่นิยัตินิยม
ในการนิยัตินิยมระดับ 1 ถึง 5 เราได้เพิ่มโครงสร้างให้กับสภาพแวดล้อมของตัวแทนอย่างต่อเนื่อง เรากำหนดสิ่งที่มันสามารถทำได้ (ระดับ 1 ประเด็น) จากนั้นแนะนำวิธีการทำงาน (ระดับ 2 คำสั่ง) เรายึดตามความจริง (ระดับ 3 ข้อมูล) เราจัดการสถานะ (ระดับ 4 ตัวแปร) และมอบเครื่องมือที่เข้มงวด (ระดับ 5 การดำเนินการที่นิยัตินิยม) อย่างไรก็ตาม กลไกการตัดสินใจส่วนกลางยังคงใช้ความน่าจะเป็นเป็นพื้นฐาน กลไกการประมวลผลโดยการใช้ตรรกะและกฎเกณฑ์ยังคงตัดสินใจว่าจะเลือกเครื่องมือใดหรือจะถามคำถามใดต่อไปและสำหรับการตัดสินใจนี้เราได้พึ่งพาโมเดลภาษาขนาดใหญ่ (LLM) อย่างเต็มที่
ระดับ 6 สคริปต์ของตัวแทน เปลี่ยนแปลงสถาปัตยกรรมนี้โดยพื้นฐาน เป็นการเพิ่มความสามารถในการเขียนโค้ดกระบวนการใช้เหตุผลโดยตรงลงไป
สคริปต์ของตัวแทนจะช่วยให้เราเปลี่ยนจากการพร้อมท์โมเดลไปเป็นการเขียนสคริปต์ตัวแทน นี่ไม่ใช่การกลับไปใช้แชทบอทรุ่นเก่าที่เข้มงวด แต่เราเรียกว่าการใช้เหตุผลแบบไฮบริด ซึ่งช่วยให้คุณสร้างความแตกต่างให้กับประสิทธิภาพการสนทนาที่สร้างสรรค์ของ LLM ระหว่างชั้นของตรรกะที่นิยัตินิยมและไม่เปลี่ยนแปลง คุณกำหนดเส้นทางการดำเนินการที่สำคัญได้อย่างชัดเจน ("สิ่งที่ต้องทำ") พร้อมกับปล่อยให้ LLM มีอิสระในการจัดการกับความเข้าใจภาษาธรรมชาติและการสร้างการตอบสนอง
เมื่อออกแบบเวิร์กโฟลว์ สิ่งสำคัญคือต้องหลีกเลี่ยงการใช้ตัวแทนที่ใช้ LLM โดยให้ใช้แค่สคริปต์เท่านั้น เพื่อแทนที่ตรรกะแบบนิยัตินิยม ซึ่งขั้นตอนต่อไปนั้นชัดเจนและตายตัวอยู่แล้ว หากกระบวนการดำเนินไปตามเส้นทางที่คาดการณ์ได้ โดยไม่จำเป็นต้องใช้เหตุผลที่ซับซ้อนในการถอดรหัสการดำเนินการที่ตามมา การนำแบบจำลองเชิงสร้างสรรค์มาใช้จะเพิ่มความล่าช้า ค่าใช้จ่าย และโอกาสเกิดข้อผิดพลาดโดยไม่จำเป็น โฟลว์แบบโปรแกรมดั้งเดิมยังคงเหนือกว่าสำหรับกระบวนการที่เป็นไปตามหลักการที่แน่นอนและไม่จำเป็นต้องใช้เหตุผล การใช้ LLM สำหรับการกำหนดเส้นทางแบบง่ายหรือการเปลี่ยนผ่านเชิงเส้นเป็นทางเลือกที่ซับซ้อนเกินไป ซึ่งส่งผลกระทบต่อความน่าเชื่อถือของระบบที่สามารถจัดการได้ด้วยโฟลว์การทำงานมาตรฐานทั่วไป
ตามหลักการทั่วไปแล้ว ควรพิจารณาใช้โซลูชันแบบ Agentic เมื่อระบบกำลังจัดการกับข้อมูลที่ไม่มีโครงสร้าง ซึ่งต้องสังเคราะห์จากแหล่งข้อมูลที่แตกต่างกันและมีความแปรปรวนสูง (อาจรวมถึงข้อมูลจากการสนทนา) ก่อนจึงจะทำการตัดสินใจได้
แต่คุณจะบรรลุการควบคุมในระดับนี้ได้อย่างไร มีสองเส้นทางที่แตกต่างกัน ซึ่งออกแบบมาสำหรับทั้งสถาปนิกธุรกิจและนักพัฒนาโค้ดแบบดั้งเดิม
สองวิธีในการทำให้สคริปต์ของตัวแทนได้ผล
การนำนิยัตินิยมระดับ 6 มาสู่ตัวแทนของคุณไม่จำเป็นต้องเขียนโค้ดอย่างหนัก Salesforce มีสองรูปแบบในการสร้างสคริปต์ของตัวแทนพื้นฐาน โดยทำให้ทุกคนเข้าถึงการใช้เหตุผลแบบนิยัตินิยมได้
1. เส้นทางของเครื่องมือสร้าง (การรวบรวมภาษาธรรมชาติ)
สำหรับนักวิเคราะห์ธุรกิจ ผู้ดูแลระบบ และผู้ปฏิบัติงานที่ใช้โค้ดน้อยสามารถเข้าถึงระดับ 6 ได้โดยตรงภายในเครื่องมือสร้างตัวแทน
เราได้เปิดตัวผืนผ้าใบสไตล์เอกสารที่ทำหน้าที่เป็นอินเทอร์เฟซแบบข้อความต่อสคริปต์ แทนที่จะเขียนโค้ด แต่คุณจะเขียนตรรกะของประเด็นด้วยภาษาธรรมชาติที่มีโครงสร้าง จากนั้นเครื่องมือสร้างจะตีความเจตนาของคุณและรวบรวมไว้ในสคริปต์ของตัวแทนในเบื้องหลัง
- คุณเขียน: "ขั้นแรกตรวจสอบว่าคำสั่งซื้อมีอายุมากกว่า 30 วันหรือไม่ หากเป็นเช่นนั้น โปรดแจ้งให้ผู้ใช้ทราบว่าเราไม่สามารถยอมรับการคืนสินค้าและสิ้นสุดการสนทนาอย่างสุภาพ หากไม่ใช่ ให้สอบถามเงื่อนไขของสินค้า"
- ระบบจะรวบรวมคำบรรยายภาษาธรรมชาติเหล่านี้โดยอัตโนมัติให้เป็นโครงสร้าง if/else, การตรวจสอบตัวแปร และคำสั่ง end_conversation ที่จำเป็น
สิ่งนี้ช่วยให้คุณสามารถเขียนตรรกะในภาษาธรรมชาติและให้แพลตฟอร์มแปลงเป็นโค้ด เพื่อให้แน่ใจว่าแม้แต่ผู้ที่ไม่ใช่โปรแกรมเมอร์ก็สามารถบังคับใช้ระบบควบคุมการทำงานและป้องกันข้อผิดพลาดของ Agentforce ที่เข้มงวดและแน่นอนได้
2. เส้นทางที่มุ่งเน้นโค้ด (การเขียนสคริปต์โดยตรง)
สำหรับนักพัฒนาที่ต้องการความแม่นยำสูงสุด คุณสามารถเขียนสคริปต์ของตัวแทนได้โดยตรงภายในเครื่องมือสร้างตัวแทนเช่นกัน สามารถพลิกผืนผ้าใบที่มีคำบรรยายภาษาธรรมชาติเพื่อดูสคริปต์ที่อยู่ด้านล่างได้ ทำให้ผู้พัฒนาสามารถเขียนโค้ดสคริปต์ได้โดยตรง แนวทางนี้ยังช่วยให้สามารถสร้างประสบการณ์การเขียนแบบไฮบริดได้อีกด้วย กล่าวคือ คำสั่งบางส่วนเขียนด้วยภาษาธรรมชาติบนผืนผ้าใบ ในขณะที่คำสั่งอื่นๆ เขียนเป็นสคริปต์ (หรือแก้ไขสคริปต์ที่มีอยู่แล้ว) โดยตรงโดยใช้โค้ด การสลับไปมาระหว่างประสบการณ์ทั้งสองนี้ คุณจะเห็นว่าทั้งสองรูปแบบจะสอดคล้องกันอย่างสมบูรณ์แบบเสมอ
ทั้งสองรูปแบบปลดล็อกศักยภาพของระดับ 6 อย่างเต็มรูปแบบ:
- การติดตามโดยละเอียด: คุณสามารถดำเนินการตามสคริปต์เพื่อดูว่ามีการเปลี่ยนแปลงตัวแปรหรือสาขาใดบ้าง
- การจัดการลูปที่ซับซ้อน: จัดการตรรกะการลองใหม่ที่ซับซ้อนหรือการเปลี่ยนแปลงสถานะหลายตัวแปรที่ยากต่อการอธิบายในภาษาธรรมชาติ
- การควบคุมเวอร์ชัน: จัดการพฤติกรรมของตัวแทนเป็นโค้ดที่เข้ากันได้กับ git และไปป์ไลน์ CI/CD สำหรับการกำหนดเวอร์ชันตัวแทน
กลไกสคริปต์ของตัวแทน
ไม่ว่าคุณจะสร้างสคริปต์ของตัวแทนผ่านเครื่องมือสร้างหรือเขียนด้วยมือ ก็จะส่งผลให้ได้ผลลัพธ์เดียวกัน: สคริปต์ของตัวแทนจะถูกแปลงเป็นกราฟของตัวแทนที่ดำเนินการโดย Atlas Reasoning Engine
หากต้องการควบคุมระดับ 6 เราต้องเข้าใจสิ่งที่เกิดขึ้นภายใต้ฝากระโปรง สคริปต์ของตัวแทนควบคุมพฤติกรรมผ่านโครงสร้างแบบเป็นโปรแกรมเฉพาะภายในบล็อกการใช้เหตุผล ซึ่งแตกต่างจากพร้อมท์มาตรฐาน ที่เป็นคำแนะนำสำหรับ LLM ที่จะปฏิบัติตาม คำสั่งเหล่านี้จะดำเนินการไม่ว่าจะเกิดอะไรขึ้นก็ตาม นั่นอาจเป็นก่อน ระหว่าง หรือหลังกระบวนการใช้เหตุผลและะมีรูปแบบนิยัตินิยมแตกต่างกันหลายประเภท เราจะทบทวนรูปแบบเหล่านี้โดยทั่วไปก่อนและให้ตัวอย่างที่มีน้ำหนักเบา จากนั้นแสดงให้เห็นเพิ่มเติมด้วยตัวอย่างของแผนผังสถาปัตยกรรมของตัวแทนที่มีสคริปต์
1. นิยัตินิยมก่อนและหลังการใช้เหตุผล
ในระดับ 1 ถึง 5 เราหวังว่าตัวแทนจะทำบางสิ่งบางอย่าง (ดำเนินการ) ก่อนหรือหลังขั้นตอนใดขั้นตอนหนึ่งในกระบวนการ แต่ในระดับ 6 เราบังคับให้ทำ สิ่งที่เขียนไว้ในบล็อก force_reasoning และ after_reasoning จะได้รับการดำเนินการตามลำดับก่อนและหลังการเรียกใช้ LLM เพื่อใช้เหตุผลตามคำสั่ง ซึ่งอาจเป็นการเรียกใช้การดำเนินการอื่นๆ การเปลี่ยนไปใช้ประเด็น ตัวแปรการตั้งค่า และอื่นๆ
ตัวอย่างเช่น การใช้คำสั่ง run ภายในคำสั่ง before_reasoning ของประเด็น จะช่วยให้คุณดำเนินการบางอย่างได้แม้ก่อนที่ LLM จะถูกเรียกใช้เพื่อสร้างการตอบกลับ การดำเนินการนี้จะรับประกันได้ว่าข้อมูลจะพร้อมใช้งานทันที ช่วยขจัดความหน่วงของการใช้เหตุผลหรือความเสี่ยงที่ตัวแทนจะลืมเรียกใช้เครื่องมือ
โครงสร้างสคริปต์:
การใช้เหตุผล:
คำสั่ง: ->
before_reasoning :
# นิยัตินิยม: ซึ่งจะทำงานโดยอัตโนมัติเมื่อป้อนประเด็น
# LLM ไม่มีทางเลือกที่นี่ เพียงรับเอาต์พุต
คำสั่ง
# ตอนนี้ LLM จะได้รับพร้อมท์พร้อมผลลัพธ์ที่มีอยู่แล้วในบริบท
| คุณกำลังพูดคุยกับลูกค้า สถานะวีไอพีคือ {!@variables.is_vip}
# คำสั่งเพิ่มเติมใดๆ (การใช้เหตุผลปกติ) ไปยังขั้นตอนถัดไป
ไม่ว่าตัวแทนจะต้องการคำสั่งใดในการใช้เหตุผล
2. นิยัตินิยมแบบมีเงื่อนไข (if/else)
นิยัตินิยมแบบมีเงื่อนไข ทำให้คุณใช้ตรรกะการเขียนโปรแกรมมาตรฐานเพื่อควบคุมโฟลว์ได้ สิ่งนี้มีความสำคัญต่อเวิร์กโฟลว์การปฏิบัติตามข้อบังคับที่ไม่สามารถข้ามหรือปรับแต่งขั้นตอนได้
โครงสร้างสคริปต์:
การใช้เหตุผล:
คำสั่ง: ->
if @variables.is_vip == true:
# ข้ามการตรวจสอบเครดิตสำหรับวีไอพีอย่างแน่นอน
run @actions.apply_auto_approval
| แจ้งให้ลูกค้าทราบว่าสินเชื่อของตนได้รับการอนุมัติโดยอัตโนมัติเนื่องจากสถานะวีไอพี
else:
# บังคับใช้การตรวจสอบเครดิตสำหรับทุกคน
run @actions.initiate_credit_check
| บอกลูกค้าว่าเรากำลังตรวจสอบคะแนนเครดิตของพวกเขาอยู่ตอนนี้
ในตัวอย่างนี้ LLM จะไม่มีตัวเลือกในการทำให้การอนุมัติสำหรับผู้ใช้ที่ไม่ใช่วีไอพีไม่แน่ชัด โดยจะนำสาขามาพิจารณาอย่างแน่นอน
3. นิยัตินิยมของการเปลี่ยนผ่าน (@utils.transition)
การควบคุมที่ทรงพลังอีกประการหนึ่งคือความสามารถในการบังคับให้ตัวแทนออกจากประเด็นปัจจุบันและเข้าสู่ประเด็นอื่น วิธีนี้จะช่วยป้องกันไม่ให้ตัวแทนติดขัดหรือหลุดเข้าสู่การสนทนาที่ไม่เกี่ยวข้อง
โครงสร้างสคริปต์:
if @variables.stock_level == 0:
# ส่งต่อไปยังประเด็น "Backorder" ทันที
@utils.transition to @topic.handle_backorder
การเปลี่ยนผ่านนี้ไม่ใช่คำแนะนำ เป็นการเปลี่ยนเส้นทางของโฟลว์การดำเนินการที่ยาก ซึ่งขึ้นอยู่กับค่าของตัวแปร โปรดทราบว่าแม้ว่าการเปลี่ยนเส้นทางจะเป็นเรื่องยากและไม่สามารถต่อรองได้ แต่กระบวนการใช้เหตุผลตามปกติจะเกิดขึ้นอีกครั้งภายในประเด็นที่ตัวแทนถูกบังคับให้ทำในตอนนี้
ยิ่งไปกว่านั้น สคริปต์ของตัวแทนทำให้คุณสามารถบังคับการเปลี่ยนผ่านจากการดำเนินการหนึ่งไปยังการดำเนินการถัดไปได้ทันทีเมื่อเสร็จสิ้น ฟังก์ชันนี้ช่วยให้มั่นใจได้ว่าตัวแทนจะปฏิบัติตามโฟลว์ที่เข้มงวดและเป็นแบบนิยัตินิยม แทนที่จะพึ่งพาการตัดสินใจแบบความน่าจะเป็นหรืออัตโนมัติในทุกขั้นตอน การเชื่อมโยงการดำเนินการเหล่านี้เข้าด้วยกันในลำดับที่กำหนดไว้ล่วงหน้าทำให้คุณสามารถรับประกันได้ว่างานเฉพาะจะได้รับการดำเนินการตามลำดับที่แม่นยำ ทำให้สามารถควบคุมตรรกะและพฤติกรรมของตัวแทนได้ทั้งหมด
4. การนิยัตินิยมในการจัดการสถานะตัวแปร
สคริปต์ของตัวแทนช่วยให้คุณเข้าถึงหน่วยความจำระยะสั้น (ตัวแปร) ของตัวแทนได้โดยตรง คุณสามารถตั้งค่าตัวแปรได้อย่างชัดเจนโดยอิงจากผลลัพธ์การดำเนินการ ป้องกันไม่ให้เกิดเกมโทรศัพท์ที่ LLM อาจตีความเอาต์พุต JSON ของเครื่องมือผิด
โครงสร้างสคริปต์:
# เชื่อมโยงผลลัพธ์ของการดำเนินการกับตัวแปรอย่างชัดเจน
run @actions.check_inventory with sku=@variables.current_sku
set @variables.stock_level = @outputs.quantity_available
พิมพ์เขียวสถาปัตยกรรม: ตัวอย่างของสคริปต์ของตัวแทนในทางปฏิบัติ
เพื่อให้เข้าใจถึงพลังของสคริปต์ของตัวแทนอย่างแท้จริง เราต้องมองไปไกลกว่าคำสั่งแต่ละคำสั่งและสังเกตการทำงานร่วมกัน รูปแบบสถาปัตยกรรมต่อไปนี้ (มาจากคอลเลกชันสูตรสคริปต์ของตัวแทน ของเรา) แสดงให้เห็นว่านิยัตินิยมระดับ 6 ช่วยแก้ปัญหาที่ซับซ้อนขององค์กรได้อย่างไร
1. บริบทแบบไดนามิก: การป้อน Knowledge แบบไดนามิกแบบ "Zero-Latency"
ปัญหา: ตัวแทนมาตรฐานมักประสบปัญหาจากความหน่วงของการใช้เหตุผล โดยจะรอให้ผู้ใช้ถามคำถามจากนั้นลองคิดถึงเครื่องมือที่จะใช้ แล้วตัวแทนอาจถามข้อมูลผู้ใช้ที่สามารถดึงข้อมูลได้ แล้วจากนั้นจึงเรียกใช้การดำเนินการนั้น สิ่งนี้สร้างประสบการณ์ที่ไม่ต่อเนื่องและล่าช้า สคริปต์ของตัวแทน: นิยัตินิยมก่อนการใช้เหตุผล
เราใช้คำสั่ง run เพื่อป้อนข้อมูลก่อนที่ LLM จะถูกปลุกขึ้นมา
ตัวอย่าง: ตัวแทนคัดกรองฉุกเฉิน ลองจินตนาการถึงตัวแทนที่จัดการรายงานไฟฟ้าดับ แทนที่จะขอที่อยู่จากผู้ใช้และรอ เมื่อเซสชันเริ่มต้นขึ้น สคริปต์จะเรียกใช้คำสั่ง get_current_location_by_IP and check_grid_status โดยอัตโนมัติ
ผลลัพธ์: ตัวแทนไม่ได้เริ่มต้นด้วย "ฉันจะช่วยคุณได้อย่างไร" แต่จะเริ่มต้นด้วย: "ฉันเห็นว่าคุณโทรมาจากภาคเหนือที่มีไฟหม้อแปลงที่ได้รับการยืนยันแล้ว ฉันได้เพิ่มครอบครัวของคุณลงในรายการกู้คืนที่มีสำคัญแล้ว คุณมีเครื่องปั่นไฟสำรองกำลังทำงานอยู่หรือไม่"
ตรรกะ:
การใช้เหตุผล:
คำสั่ง: ->
run @actions.get_incident_status with zip=@user.zip
set @variables.is_outage = @outputs.active_incident
| If {!@variables.is_outage} รับทราบเหตุการณ์ที่เฉพาะเจาะจงทันที
2. การสร้างรากฐานแบบมีเงื่อนไข
พร้อมท์ที่มีความยาว (การให้กฎทั้งหมดแก่ตัวแทนในครั้งเดียว) จะนำไปสู่ความน่าจะเป็นที่จะเกิดความไม่ชัดเจนในกระบวนการใช้เหตุผลที่เพิ่มขึ้น ตัวแทนลืมกฎข้อ A เพราะกำลังดูกฎข้อ Z
โซลูชันสคริปต์ของตัวแทน: การป้อนคำสั่งแบบ just-in-time ด้วยการสร้างรากฐานแบบมีเงื่อนไขผ่านการผสมผสานระหว่าง RAG และตรรกะแบบมีเงื่อนไข โดยจะแสดงเฉพาะกฎที่ใช้กับช่วงเวลาที่แน่นอนของการสนทนาเท่านั้น
ตัวอย่าง: การกำหนดกฎสำหรับข้อเสนอที่ไม่มีสิทธิ์ ทำไมต้องให้กฎเกี่ยวกับการขอเพิ่มเครดิตแก่ตัวแทน เมื่อคะแนนเครดิตของลูกค้าไม่อนุญาตให้เริ่มต้นด้วยซ้ำ
ตรรกะ:
if @variables.credit_score < 600:
# ตัวแทนมองไม่เห็นคำแนะนำ "เพิ่มวงเงินเครดิต" เนื่องจากข้อจำกัดทางกายภาพ
# แต่จะเห็นเฉพาะคำสั่ง "ให้คำปรึกษาเรื่องหนี้สิน" ที่ดึงมาผ่าน RAG เท่านั้น
| มุ่งเน้นไปที่การอธิบายทรัพยากรการแก้ไขเครดิตเท่านั้น Insert $Debt_Counseling_Retriever.results
else:
| คุณได้รับอนุญาตให้เสนอการเพิ่มวงเงินสูงสุด 5,000 ดอลลาร์
การสร้างรากฐานแบบมีเงื่อนไขช่วยขจัดความเป็นไปได้ที่จะเกิดข้อผิดพลาดด้วยการลบข้อมูลที่เบี่ยงเบนความสนใจออกไปทั้งหมดเมื่อไม่จำเป็น
3. การสนทนาแบบมีคำแนะนำ
ปัญหา: ในการสนทนาของตัวแทนที่ซับซ้อน (เช่น ในการยื่นขอสินเชื่อบ้าน การคัดกรองสัมภาษณ์งาน หรือการแก้ไขปัญหาทางเทคนิค) ตัวแทนจะจัดทำรายการคำถามที่ต้องตอบเพื่อให้ได้ข้อมูลที่จำเป็นทั้งหมดจากผู้ใช้ แต่ผู้ใช้มักจะออกนอกประเด็น ตัวแทนทั่วไปอาจพูดออกนอกประเด็นและลืมกลับมาถามคำถามสำคัญเหล่านี้ ทำให้การสมัครหรือการสนทนาไม่สมบูรณ์
หัวใจสำคัญของระบบนี้คือการนำทางแบบมีสถานะ ซึ่งจะมองการสนทนาเหมือนกับรายการตรวจสอบที่เข้มงวด ซึ่งจะต้องตรวจสอบให้ครบถ้วนก่อนจึงจะสามารถเปลี่ยนไปสู่ขั้นตอนอื่นได้
การนำทางแบบมีสถานะช่วยให้ตัวแทนสลับไปมาระหว่างประเด็นต่างๆ โดยอิงตามสถานะของตัวแปรปัจจุบันอย่างเคร่งครัด หรือจะคงอยู่ในประเด็นใดประเด็นหนึ่งจนกว่าจะตรงตามเงื่อนไขที่กำหนดก็ได้ วิธีนี้จะช่วยป้องกันไม่ให้ตัวแทนดำเนินการในเส้นทางที่ไม่เหมาะสม แม้ว่าผู้ใช้จะพยายามเบี่ยงเบนการสนทนาด้วยการพูดนอกประเด็นก็ตาม ตัวอย่างเช่น ในการยื่นขอสินเชื่อบ้านที่มีความสำคัญสูง หากผู้ใช้สอบถามเวลาทำการของสาขา ตัวแทนจะไม่เพียงแค่พยายามตอบให้ตรงคำถามเท่านั้น แต่สคริปต์จะตรวจจับการเบี่ยงเบนและสามารถทริกเกอร์การเปลี่ยนผ่านแบบบังคับไปยังประเด็นที่รีเซ็ตการปฏิบัติตามข้อบังคับได้ การล็อกตัวแทนไว้ใน "ห้องตรรกะ" ที่เฉพาะเจาะจงจะทำให้ตัวแทนไม่สามารถพูดคุยเกี่ยวกับประเด็นที่ไม่ได้รับการอนุมัติหรือออกจากเซสชันได้ จนกว่าจะจับตัวแปรที่ต้องมีทั้งหมดได้สำเร็จ
ตัวอย่าง: ผู้ตรวจสอบการบำรุงรักษา ตัวแทนกำลังแนะนำช่างเทคนิคผ่านการตรวจสอบความปลอดภัย 10 จุดบนเครื่องยนต์เครื่องบิน ช่างเทคนิคบอกว่า "เดี๋ยวก่อน ผมสังเกตเห็นรอยขีดข่วนบนตัวเครื่องของเครื่องบินด้วย"
คนพฤติกรรม:
- ตัวแทนรับทราบรอยขีดข่วน (ภาษาธรรมชาติ)
- โดยจะบันทึกรอยขีดข่วนไปยังตัวแปร (การจัดการสถานะ)
- ปฏิเสธที่จะปิดเซสชันหรือสลับประเด็นจนกว่าจะยืนยัน: "ผมสังเกตเห็นรอยขีดข่วนบนตัวเครื่อง แต่เราไม่สามารถไปที่ 'ภายนอก' ได้จนกว่าคุณจะยืนยันการตั้งค่าแรงบิดบนวาล์วไอดี นั่นอ่านว่าอะไร"
ตรรกะ:
if @variables.safety_check_complete == false:
# ป้องกันไม่ให้ผู้ใช้สิ้นสุดประเด็น
| รับทราบหมายเหตุเพิ่มเติมจากผู้ใช้ จากนั้นจึงกลับไปยังฟิงด์ที่จำเป็น:
{!@variables.missing_field}
@utils.stay_in_topic
การสนทนาแบบมีคำแนะนำ ควรเป็นมากกว่าแค่รายการคำถามแบบต่อเนื่อง มิเช่นนั้น ตัวแทนก็จะมีลักษณะเหมือน “รูปแบบที่ปลอมตัวมา” คุณค่าหลักอยู่ที่การคัดกรองอัจฉริยะ: การใช้คำถามการค้นพบเบื้องต้นเพื่อกำหนดเส้นทางผู้ใช้ไปยังแบบฟอร์มหรือเวิร์กโฟลว์ที่ถูกต้อง
การเปลี่ยนจากสคริปต์ง่ายๆ ไปเป็นสคริปต์ตัวแทนที่มีประสิทธิภาพจะกลายเป็นตรรกะเมื่อความซับซ้อนเพิ่มขึ้น แทนที่จะถามเพียงอย่างเดียว ตัวแทนจะเริ่มทำสิ่งต่อไปนี้: ตัวอย่างเช่น ตัวแทนอาจดึงขั้นตอนการแก้ไขปัญหาจากเอกสาร ศึกษาแนวทางปฏิบัติภายใน หรือเรียกใช้ API เพื่อเชื่อมต่อกับระบบภายนอกเพื่อแก้ไขปัญหาแบบเรียลไทม์
การเลือกระหว่างระบบอัตโนมัติแบบมีคำแนะนำและความแม่นยำแบบสคริปต์
การนำสคริปต์ของตัวแทนมาใช้ในระดับ 6 ในระดับของเฟรมเวิร์กนิยัตินิยม ทำให้ตอนนี้คุณมีสเปกตรัมการควบคุมที่สมบูรณ์ตั้งแต่ความคิดสร้างสรรค์แบบปลายเปิดของประเด็นระดับ 1 ไปจนถึงตรรกะที่เข้มงวดและขับเคลื่อนด้วยโค้ดของสคริปต์ของตัวแทนระดับ 6
แต่การทุบลงไปตรงๆ ไม่ได้ทำให้ทุกปัญหากลายเป็นเรื่องง่าย
ข้อผิดพลาดที่พบบ่อยที่สุดคือการคิดว่า "ยิ่งสูงยิ่งดี" และตัวแทนควรได้รับการควบคุมอย่างเต็มที่โดยใช้สคริปต์สำหรับทุกเรื่อง ซึ่งนี่ไม่จริงเลย ศิลปะที่แท้จริงของสถาปัตยกรรมและการออกแบบตัวแทนอยู่ที่การกำหนดขนาดนิยัตินิยมโดยใช้การควบคุมที่เพียงพอเพื่อความปลอดภัยโดยไม่เสียความยืดหยุ่นในการสนทนาที่ทำให้ AI มีคุณค่าตั้งแต่แรก อย่าเขียนสคริปต์ให้ตัวแทนของคุณมากเกินไป จนกลายเป็นเพียงแชทบอทที่ไร้ความหมาย
บทนี้จะนำเสนอเฟรมเวิร์กการตัดสินใจเพื่อช่วยคุณในการพิจารณาว่าเมื่อใดควรใช้ระบบอัตโนมัติภายใต้การชี้นำของระดับ 1–5 และเมื่อใดควรบังคับใช้ความแม่นยำตามสคริปต์ที่กำหนดไว้ในระดับ 6 สิ่งเหล่านี้ไม่ใช่กฎที่เคร่งครัด แต่เป็นเพียงหลักการคร่าวๆ และมีวัตถุประสงค์เพื่อให้เป็นเฟรมเวิร์กเกี่ยวกับตัวเลือกและระดับต่างๆ ของนิยัตินิยม
เพื่อลดความซับซ้อนในการตัดสินใจ เราสามารถแบ่งระดับทั้ง 6 ออกเป็นสองโซนเชิงกลยุทธ์ที่แตกต่างกัน ดังนี้
โซน A: ระบบอัตโนมัติแบบมีคำแนะนำในระดับ 1 – 5
- ปรัชญา: "ไว้วางใจ แต่ต้องตรวจสอบ" คุณมอบเป้าหมาย ข้อมูล และเครื่องมือให้กับตัวแทน (ซึ่งอาจเป็นแบบนิยัตินิยม ดูที่ระดับ 5) แต่คุณปล่อยให้กลไกการประมวลผลโดยการใช้ตรรกะและกฎเกณฑ์เป็นผู้กำหนดเส้นทางที่ดีที่สุดในการไปถึงจุดนั้น
- กลไก: การใช้เหตุผลแบบความน่าจะเป็น ตัวแทนจะวิเคราะห์จุดประสงค์ของผู้ใช้และเลือกเครื่องมือที่ดีที่สุดในการทำงานแบบไดนามิก
- เหมาะสำหรับ: การค้นพบ การถามตอบทั่วไป งานที่มีความเสี่ยงต่ำ ขอบเขตการบริการที่กว้าง
คุณควรพึ่งพาพฤติกรรมความน่าจะเป็นมาตรฐานของระดับ 1 ถึง 5 เมื่อ:
1. เส้นทางที่ถูกต้องไม่เหมือนกันเสมอไป
ในสถานการณ์เชิงสนทนาหลายสถานการณ์ เส้นทางที่เข้มงวดและการเขียนโค้ดถือเป็นข้อเสีย เพราะเส้นทางการสนทนาที่ถูกต้องนั้นแปรผันได้ สำหรับการโต้ตอบแบบไดนามิก เช่น การช้อปปิ้งส่วนตัวหรือการวางแผนวันหยุด จะไม่มีลำดับที่ถูกต้องเพียงลำดับเดียว ผู้ใช้อาจกำหนดลำดับความสำคัญของราคา ตำแหน่งที่ตั้ง หรือสิ่งอำนวยความสะดวกตามลำดับที่เลือก ในกรณีเหล่านี้ การบังคับใช้สคริปต์ที่มีสถานะจะสร้างประสบการณ์ที่เหมือนหุ่นยนต์อย่างน่าหงุดหงิด ดังนั้นการใช้คำสั่งเพื่อกำหนดบุคลิกและเป้าหมายของตัวแทน พร้อมกับปล่อยให้ผู้ใช้เป็นผู้นำโฟลว์จึงมีประสิทธิภาพมากกว่า แนวทางนี้ยังช่วยเพิ่มความเร็วในการเข้าสู่ตลาดได้อย่างมากเนื่องจากการสร้างสคริปต์ระดับ 6 ที่ซับซ้อนพร้อมตัวแปรและสาขาที่ซ้อนกัน มักจะเกินความจำเป็นสำหรับงานต่างๆ เช่น ตัวแทนคำถามที่พบบ่อยด้าน HR ภายใน การสร้างรากฐานทำงานของตัวแทนเข้ากับข้อมูลและ RAG ทำให้คุณหลีกเลี่ยงการเขียนสคริปต์ด้วยตนเองที่เหนื่อยหน่าย และปล่อยให้กลไกการดึงข้อมูลจัดการบทสนทนาแบบไดนามิกโดยอิงจากฐาน Knowledge ที่คุณมีได้
2. การปรับขนาดผ่านนิยัตินิยมแบบโมดูลาร์: หลีกเลี่ยงฝันร้ายในการบำรุงรักษา
เมื่อขอบเขตการทำงานของตัวแทนขยายใหญ่ขึ้นอย่างมาก เช่น การจัดการคำถามเกี่ยวกับการสนับสนุนด้านไอที 500 รายการที่มีกระบวนการทำงานเฉพาะของตนเอง ความท้าทายหลักจึงไม่ใช่ว่าคุณสามารถสร้างสคริปต์ของตัวแทนแบบนิยัตินิยมเพียงสคริปต์เดียวได้หรือไม่ แต่เป็นว่าคุณควรทำเช่นนั้นหรือไม่ การพยายามแมปการเปลี่ยนแปลงงานที่เป็นไปได้ทั้งหมด 500 งานให้เป็นสคริปต์ของตัวแทนขนาดใหญ่เพียงหนึ่งเดียวจะสร้างฝันร้ายในการบำรุงรักษา ทุกครั้งที่มีการเปลี่ยนแปลงนโยบายหรือเพิ่มขั้นตอนการแก้ไขปัญหาใหม่ๆ คุณก็เสี่ยงที่จะทำลายเครือข่ายตรรกะที่เชื่อมต่อกันขนาดใหญ่
โซลูชันคือการย้ายออกจากสคริปต์แบบเสาหินและไปสู่การดำเนินการทแบบนิยัตินิยมแน่นอนระดับ 5 แทนที่จะเขียนสคริปต์การสนทนาทั้งหมด ให้คุณสร้างโฟลว์ที่แข็งแกร่งและแยกจากกันสำหรับการดำเนินการระดับสูงที่มีมูลค่าสูง เช่น การรีเซ็ตรหัสผ่านหรือการปลดล็อกบัญชี จากนั้น คุณปล่อยให้กลไกการประมวลผลโดยการใช้ตรรกะและกฎเกณฑ์ทำหน้าที่เหมือนตัวควบคุมการจราจร โดยระบุจุดประสงค์ของผู้ใช้จากถ้อยคำเฉพาะ และนำทางไปยังการดำเนินการที่เหมาะสมอย่างเป็นระบบ แนวทางนี้จะช่วยให้คุณได้รับสิ่งที่ดีที่สุดจากทั้ง 2 ฝั่ง ซึ่งก็คือความน่าเชื่อถือของสคริปต์สำหรับงานที่สำคัญ และสถาปัตยกรรมที่ยืดหยุ่นและปรับขนาดได้ ซึ่งจะไม่ล่มสลายเมื่อจำนวนงานในคลังของคุณเพิ่มขึ้น
โซน B: ความแม่นยำตามสคริปต์ด้วยสคริปต์ของตัวแทนระดับ 6
- ปรัชญา: "ไม่ว่าคุณจะทำอะไรและใช้เหตุผล ไม่ว่าจะในเคสไหนๆ ก็ให้ทำสิ่งนี้อย่างแน่นอน" คุณกำหนดเส้นทาง ตัวแทนคืออินเทอร์เฟซสำหรับการดำเนินการตรรกะของคุณ ทำให้ตัวแทนรู้สึกถึงความคิดสร้างสรรค์ในหลายชั้นของตรรกะที่ต้องทำ
- กลไก: การใช้เหตุผลแบบนิยัตินิยม "สมอง" ทำตามกราฟที่คอมไพล์ไว้ล่วงหน้า ใช้ LLM สำหรับการใช้เหตุผลเท่านั้น ทำความเข้าใจภาษาธรรมชาติ และสร้างการตอบสนองที่สคริปต์อนุญาตเท่านั้น
- เหมาะสำหรับ: การปฏิบัติตามข้อบังคับ ธุรกรรมทางการเงินแผนผังการวินิจฉัย เวิร์กโฟลว์ที่มีความเสี่ยงสูง การปฏิบัติตามข้อบังคับ และอุตสาหกรรมที่มีการควบคุมสูง
จำไว้ว่าภายในเส้นทางแบบนิยัตินิยมที่ระดับ 6 วางไว้ ตัวเลือกทั้งหมดของระดับ 1-5 ยังคงใช้งานได้!
คุณควรหยุดการใช้สคริปต์ของตัวแทนเมื่อ "ถูกต้องเกือบทั้งหมด" ไม่เพียงพออีกต่อไป
1. ประตูที่ต้องผ่าน (การรักษาความปลอดภัยและการตรวจสอบสิทธิ์)
หากผู้ใช้ขอให้โอนเงิน คุณไม่สามารถพึ่งพา LLM เพื่อขอการตรวจสอบสิทธิ์ได้ คุณต้องมีการรับประกันทางคณิตศาสตร์ว่าโฟลว์การตรวจสอบสิทธิ์จะทำงานก่อนโฟลว์ธุรกรรม
- โซลูชันสคริปต์ของตัวแทน: ใช้ run @actions.verify_identity inside a before_reasoning block or at the very top of your script to force compliance before the LLM generates a single token
2. การปฏิบัติตามกฎระเบียบ
ในอุตสาหกรรมต่างๆ เช่น การดูแลสุขภาพหรือการเงิน ตัวแทนมักต้องอ่านข้อจำกัดความรับผิดชอบแบบคำต่อคำหรือถามคำถามตามลำดับที่กฎหมายกำหนด
- โซลูชันสคริปต์ตัวแทน: เขียนโค้ดการเปิดเผยข้อมูล
# LLM ไม่สามารถสรุปหรือ "เขียนใหม่" สิ่งนี้ได้ แต่จะถูกบังคับให้สร้างเอาต์พุตแทน
| "ข้อจำกัดความรับผิดชอบ: ฉันเป็นตัวแทน AI ฉันไม่สามารถให้คำแนะนำทางการเงินได้"
3. การพึ่งพาหลายขั้นตอนที่ซับซ้อนและลำดับการดำเนินการที่จำเป็น
หากขั้นตอน B ต้องใช้เอาต์พุตของขั้นตอน A และขั้นตอน C ขึ้นอยู่กับการคำนวณจากขั้นตอน B การพึ่งพา LLM เพื่อส่งผ่านตัวแปรเหล่านี้ผ่านบริบทพร้อมท์ในเกมโทรศัพท์ถือเป็นความเสี่ยง นอกจากนี้ เมื่อการดำเนินการบางอย่างเป็นสิ่งจำเป็นอย่างยิ่งหลังจากการดำเนินการอื่น ลำดับการดำเนินการจะต้องถูกกำหนดไว้ตายตัว
- โซลูชันสคริปต์ของตัวแทน: ใช้ set @variables.x = @outputs.y เพื่อเชื่อมโยงข้อมูลระหว่างขั้นตอนต่างๆ อย่างชัดเจน ทำให้มั่นใจได้ถึงความถูกต้องอย่างสมบูรณ์แบบ ใช้คำสั่ง run และ @utils.transition เพื่อเขียนโค้ดลำดับ
4. การป้องกันการเบี่ยงเบนประเด็น
ในการแก้ไขปัญหาที่มีความเสี่ยงสูง (เช่น "เครื่องกระตุ้นหัวใจของฉันกำลังส่งเสียงเตือน") คุณคงไม่ต้องการให้ตัวแทนถูกเบี่ยงเบน หากจู่ๆ ผู้ใช้ถามขึ้นว่า "สภาพอากาศเป็นอย่างไร"
- โซลูชันสคริปต์ของตัวแทน: ใช้ @utils.transition เพื่อล็อกผู้ใช้เข้าสู่ประเด็น “โปรโตคอลฉุกเฉิน” จนกว่าปัญหาจะได้รับการแก้ไข โดยปิดการใช้งานความสามารถในการเบี่ยงเบนอย่างชัดเจน
สถาปัตยกรรมไฮบริด: รวมสิ่งดีที่สุดจากทั้งสองด้าน
สถาปัตยกรรมตัวแทนที่สมบูรณ์ที่สุดไม่ได้เลือกอย่างใดอย่างหนึ่ง แต่จะใช้ระดับ 6 เป็นโครงร่างและระดับ 1 – 5 เป็นกล้ามเนื้อ รูปแบบที่ปรากฏออกมาจึงเป็นรูปแบบของแซนด์วิชนิยัตินิยม คุณสามารถใช้สคริปต์ของตัวแทนเพื่อจัดการกับการเริ่มต้นและสิ้นสุดการสนทนาที่สำคัญ พร้อมปล่อยให้ตรงกลางเปิดโล่งไว้เพื่อให้ใช้เหตุผลได้อย่างยืดหยุ่น
- ขั้นตอนที่ 1 (ระดับ 6): สคริปต์ของตัวแทนบังคับให้คัดกรองและตรวจสอบสิทธิ์
- ผลลัพธ์: ระบุผู้ใช้อย่างปลอดภัยและจัดประเภทจุดประสงค์
- ขั้นตอนที่ 2 (ระดับ 1 - 5): การส่งต่อสคริปต์ของตัวแทนไปยังประเด็นมาตรฐาน
- ผลลัพธ์: ตัวแทนใช้ RAG มาตรฐานและคำสั่งการดำเนินการ และอาจเป็นตัวแปรเพื่อแก้ไขปัญหาของผู้ใช้ได้อย่างยืดหยุ่น
- ขั้นตอนที่ 3 (ระดับที่ 6): ตัวแทนตรวจพบว่าปัญหาได้รับการแก้ไขแล้วและเปลี่ยนกลับไปใช้สคริปต์ของตัวแทนสำหรับการดำเนินการปิดเคส
- ผลลัพธ์: สคริปต์ของตัวแทนบังคับให้มีการรวบรวมคะแนน CSAT และข้อความอำลาที่ถูกต้องตามข้อบังคับ
ตารางสรุป: คู่มือฉบับย่อของสถาปนิก
| คุณสมบัติ | ระดับ 1 – 5 (ระบบอัตโนมัติแบบมีคำแนะนำ) | ระดับ 6 (สคริปต์ของตัวแทน) |
|---|---|---|
| ผู้ขับขี่หลัก | กลไกความน่าจะเป็น (LLM ตัดสินใจ) | กราฟแบบนิยัตินิยม (โค้ดตัดสินใจ) |
| แหล่งข้อมูลเชิงตรรกะ | พร้อมท์ภาษาธรรมชาติ | ตรรกะ if/else, การจัดการสถานะ, ตรรกะการเปลี่ยนผ่าน |
| การใช้การดำเนินการ | "ตัวแทน นี่คือเครื่องมือ ใช้ได้หากคุณต้องการ" | "ตัวแทน เรียกใช้เครื่องมือนี้ ตอนนี้" |
| การจดจำบริบท | โดยนัยผ่านหน้าต่างบริบท LLM (ยกเว้นเมื่อใช้ระดับ 4 | ระบุอย่างชัดเจนผ่านตัวแปรที่เปลี่ยนแปลงได้ซึ่งใช้ตลอดทั้งสคริปต์ |
| ตัวอย่างเคสการใช้งาน | การค้นหาความรู้ การช้อปปิ้ง การเขียนเชิงสร้างสรรค์ | การตรวจสอบสิทธิ์ การชำระเงิน การปฏิบัติตามข้อกำหนด การวินิจฉัย |
| สร้างความพยายาม | ต่ำ (โดยส่วนใหญ่พร้อมท์) | ปานกลาง/สูง (การเขียนสคริปต์/ตรรกะ) |
| การยอมรับความเสี่ยง | ปานกลาง | ต่ำ (zero-trust) |
คำแนะนำสุดท้าย: เริ่มต้นด้วยระดับ 1 – 5 สำหรับความเร็วและการค้นพบ และตรวจสอบบันทึกของคุณ เมื่อคุณเห็นตัวแทนกำลังประสบกับความสม่ำเสมอ ล้ไม่สามารถปฏิบัติตามลำดับ หรือพารามิเตอร์เข้าใจผิด ให้เสริมความแข็งแกร่งให้กับเวิร์กโฟลว์เฉพาะส่วนนั้นด้วยระดับ 6
สรุป:
สคริปต์ของตัวแทนเป็นจิ๊กซอว์ชิ้นสุดท้ายในการนำนิยัตินิยมมาใช้กับตัวแทน โดยยอมรับว่าแม้ว่า AI จะมีความน่าจะเป็น แต่ธุรกิจต้องมีความแน่นอน การนำสคริปต์ของตัวแทนมาใช้ (ไม่ว่าจะผ่านผืนผ้าใบที่รองรับการสร้างตัวแทนในภาษาธรรมชาติหรือในโค้ดโดยตรง) ไม่ได้หมายความว่าคุณจำกัดความชาญฉลาดของตัวแทน แต่คุณกำลังมุ่งเน้นไปที่สิ่งนั้นเลยต่างหาก คุณกำลังสร้างระบบที่ศิลปะของการสนทนาตรงตามศาสตร์การดำเนินการของกระบวนการ เพื่อให้แน่ใจว่าเวิร์กโฟลว์ที่สำคัญที่สุดของคุณจะทำงานได้ตรงตามที่ออกแบบไว้ทุกครั้ง
ระดับ 6 ยังเป็นการตระหนักว่าระบบอัตโนมัติไม่ได้หมายความว่าไม่มีการควบคุม
เป็นเวลาหลายปีที่อุตสาหกรรมได้ถกเถียงกันเกี่ยวกับกฎเทียบกับ AI เมื่อพูดถึงการตัดสินใจและการเพิ่มประสิทธิภาพกระบวนการ ฝั่งที่ชื่นชอบกฎที่เข้มงวดโต้แย้งถึงความสามารถในการคาดการณ์ ฝั่งที่ชื่นชอบ AI โต้แย้งถึงความยืดหยุ่น สคริปต์ของตัวแทนจะสิ้นสุดการถกเถียงนี้ด้วยการพิสูจน์ว่าสถาปัตยกรรมที่ถูกต้องไม่ใช่หรือแต่เป็นและ
การนำสคริปต์ของตัวแทนมาใช้ หมายความว่าคุณกำลังสร้างตัวแทนแบบไฮบริด ซึ่งก็คือระบบที่มีแกนหลักเป็นโค้ดที่แข็งแกร่งและความคิดที่ยืดหยุ่นของ LLM อนาคตของ AI ระดับองค์กรไม่ได้เกี่ยวกับโมเดลที่ใหญ่กว่า แต่เป็นเรื่องของการควบคุมที่ดีกว่า สคริปต์ของตัวแทน จะทำให้การควบคุมดังกล่าวอยู่ในมือคุณได้ในที่สุด
คำถามที่พบบ่อยเกี่ยวกับนิยัตินิยมของ AI
นิยัตินิยม 6 ระดับใน AI ได้แก่ การเลือกประเด็นและการดำเนินการโดยไม่ต้องมีคำสั่ง คำสั่งคำสั่งของตัวแทน การสร้างรากฐานข้อมูล ตัวแปรของตัวแทน และการดำเนินการแบบนิยัตินิยมโดยใช้โฟลว์, Apex และ API รวมถึงะการควบคุม Agentic ด้วยสคริปต์ของตัวแทน
การทำความเข้าใจเกี่ยวกับนิยัตินิยม AI เป็นสิ่งสำคัญสำหรับการสร้างตัวแทนที่เชื่อถือได้ ซึ่งสามารถดำเนินการฟังก์ชันทางธุรกิจที่สำคัญได้อย่างแม่นยำและสม่ำเสมอ ทำให้เกิดความสมดุลระหว่างความลื่นไหลของความคิดสร้างสรรค์และการควบคุมระดับองค์กร
ใน AI “นิยัตินิยม” หมายถึงความสามารถของระบบในการสร้างผลลัพธ์เดียวกันด้วยอินพุตและเงื่อนไขที่ได้รับเดียวกัน ทำให้มีประสิทธิภาพและวินัยที่จำเป็นสำหรับพฤติกรรมของตัวแทนที่เชื่อถือได้
อนิยัตินิยมในระบบ AI เกิดขึ้นเนื่องจากการใช้โมเดลภาษาขนาดใหญ่ (LLM) เป็นหลัก ซึ่งเป็นอนิยัตินิยมตามธรรมชาติจึงช่วยให้ตัวแทนมีความยืดหยุ่นและปรับตัวได้
ระดับของนิยัตินิยมช่วยเพิ่มนิยัตินิยมของตัวแทน AI อย่างต่อเนื่อง ส่งผลให้เกิดความเป็นอิสระเมื่อระดับมีความคืบหน้า โดยตัวแทนจะเป็นอิสระน้อยลงแต่มีความน่าเชื่อถือมากขึ้นและสอดคล้องกับกระบวนการทางธุรกิจ
ระบบ AI นิยัตินิยมน้อยกว่าจะก่อให้เกิดความท้าทายในแง่ของความน่าเชื่อถือและการปฏิบัติตามข้อบังคับทางธุรกิจ เนื่องจากอนิยัตินิยมที่มีในตัวอาจนำไปสู่พฤติกรรมที่คาดเดาไม่ได้
ธุรกิจต่างๆ จัดการระบบ AI ที่มีระดับนิยัตินิยมแตกต่างกันโดยใช้แนวทางแบบเลเยอร์ ซึ่งรวมถึงการออกแบบที่รอบคอบ คำสั่งที่ชัดเจน การสร้างรากฐานข้อมูล การจัดการสถานะผ่านตัวแปรและระบบอัตโนมัติของกระบวนการแบบนิยัตินิยมโดยใช้โฟลว์ Apex และ API
เรียนรู้เพิ่มเติมเกี่ยวกับตัวแทน AI และวิธีที่สามารถช่วยธุรกิจของคุณได้
พร้อมที่จะก้าวไปสู่ขั้นต่อไปกับ Agentforce แล้วหรือยัง
สร้างตัวแทนอย่างรวดเร็ว
ศึกษารายละเอียดเพิ่มเติมเกี่ยวกับวิธีการสร้างตัวแทนในไลบรารีของเรา
รับคำแนะนำจากผู้เชี่ยวชาญ
เปิด Agentforce ด้วยความเร็ว ความมั่นใจและ ROI ที่คุณสามารถวัดได้
พูดคุยกับตัวแทน
บอกเราเกี่ยวกับความต้องการทางธุรกิจของคุณ และเราจะช่วยคุณค้นหาคำตอบ
